从工具赋能到范式重构：人工智能在肝病超声全周期诊疗中的应用与展望

Abstract

The research system and clinical decision-making pathways have been systematically reshaped as the application of artificial intelligence (AI) in the field of ultrasonically has become increasingly mature recently for liver disease imaging. Research focus has shifted at the clinical level from low-dimensional classification and diagnostic tasks to high-dimensional, task-driven intelligent diagnosis and treatment. The underlying algorithms are undergoing a profound transition at the technological level from single-modality to multi-modal collaboration and from isolated feature extraction to spatiotemporal sequential reasoning. Therefore, to provide a forward-looking analysis and reflection on future development trends and existing challenges, this article systematically reviews the latest research progress of AI in the field of liver disease in terms of four aspects of ultrasonography: early-stage screening, precise diagnosis, personalized treatment, and prognostic monitoring.

近年来，人工智能（artificial intelligence，AI）在肝脏超声领域的应用持续深化，正在从单一辅助工具跨越为贯穿诊疗全流程的支撑体系。研究目标由完成肝病的定性诊断，转向肝脏组织结构与功能的精准定量评估，最终实现在真实临床场景下安全精准的个性化医疗决策。AI在肝病超声的应用场景已不局限于图像解读，现已逐步拓展至图像采集、数据质控、临床决策、自动化操作及随访评估等全流程环节，初步搭建了一个覆盖肝病诊疗全周期的智能化闭环（表1）^［1-7］。本文以"ultrasound/超声"AND "artificial intelligence/人工智能"AND"liver/肝脏"为主题词与自由词进行组合在PubMed、Web of Science及万方数据库中检索，围绕早期筛查、精准诊断、个体化治疗及预后监测，系统阐述AI在肝脏超声中的研究进展。

表1.

人工智能在肝病超声全周期诊疗中的应用

数据类型	数据情况	任务	临床运用	模型	主要性能	核心创新	局限性	参考文献
传统机器学习与特征工程阶段
B超、临床参数	单中心1 052例患者（训练∶验证∶外部测试=597∶149∶312）	诊断	小肝癌早期诊断	机器学习	小肝癌诊断AUC=0.899	整合影像组学与临床参数构建≤3 cm小肝癌轻量级诊断模型；引入SHAP解析特征贡献度，提升模型可解释性	机器学习对图像特征（边缘、纹理、形态）的自动提取能力有限；肝硬化背景下模型诊断效能相对受限	［1］
深度学习阶段
B超、FIB-4、SWE	3个中心6 705例患者（任务一/二的训练和内部验证：外部测试=4 391∶275/984∶244）	筛查	晚期肝纤维化无创筛查	卷积神经网络	模型晚期肝纤维化筛查特异性0.8；序贯算法特异性最高0.94	基于常规灰阶超声无创预测肝脏硬度（SWE值）；构建序贯分层筛查策略，优化临床流程	多模态信息经多步骤序贯整合，存在多重比较导致的Ⅰ类错误膨胀风险，结果解读需谨慎	［2］
B超	87个中心6 784例患者（训练∶验证∶测试∶外部测试∶前瞻性测试=3 497∶1 723∶322∶706∶548）	诊断	肝包虫病诊断	卷积神经网络	包虫病诊断AUC：0.984（外部）/0.913（前瞻性）	构建基于灰阶超声的卷积神经网络肝包虫病诊断模型；优化网络对病灶周围微环境的特征提取增强模型性能	对静止期囊型包虫病的识别敏感度有限；未来可融合CT及血清学指标提升此类任务效能	［3］
多模态、时空协同阶段
CEUS、磁共振成像	5个中心1 605例患者（训练∶验证∶外部测试=633∶139∶833）	预后	复发性肝癌患者预后预测及治疗优化	Transformer	2年C-指数及AUC均显著优于6种指南分期系统（P均<0.002）	采用Transformer融合多模态信息，自注意力机制捕获跨模态长程关系；采用“原发性肝癌训练-复发性肝癌验证”策略缓解数据稀缺问题	当前为基于单一时点的静态建模；未来可采用时序信息建模肝癌复发的动态变化规律	［4］
B超、CEUS	3个中心11 468例患者（训练∶内验证∶内测试∶外测试=7 697∶1 100∶2 200∶471）	诊断	全自动肝脏恶性肿瘤诊断	卷积神经网络、长短期记忆网络	肿块检测AUC 0.990；良恶性分类AUC 0.968	构建仿临床思维的多阶段层次化分割-诊断级联框架；长短期记忆网络融合CEUS连续帧时空特征	级联架构存在误差累积风险，前置模块的预测偏差可能向后置模块传递	［5］
CEUS、生物化学指标、临床参数	52个中心3 725 例患者（训练集∶验证集∶外部测试集=2 322∶702∶701）	诊断	基于CEUS的肝脏局灶性病变无创精准多分类	卷积神经网络、长短期记忆网络	3个外部测试集准确率：0.85/0.85/0.86	构建“影像-疾病”与“影像-生物标志物-疾病”双临床思路建模；设计时空双分支网络提取CEUS动态特征；分布式训练提升模型泛化性	多模态特征经多层感知机后端融合，模态间交互局限于决策层，缺乏特征级的深度协同与互补	［6］
环境感知与物理交互阶段
B超、CT、呼吸信号	体模+动物实验（动物：猪，数量：3）	治疗	机器人辅助肝脏穿刺手术	点云配准	体模/动物实验平均穿刺误差1.0 mm/2.5 mm	构建呼吸运动补偿模型；基于血管点云配准实现超声-CT实时空间配准；设计针道-超声共面引导模块保障穿刺精度	尚未建立患者术中体位移动的主动监测与实时补偿机制；仅完成动物实验，外推性需谨慎评估	［7］

注：B超为B型超声;AUC为受试者操作特征曲线下面积；FIB-4为纤维化4因子;CEUS为超声造影；CT为X线计算机断层摄影术；SWE为剪切波弹性成像

一、. 早期筛查

肝癌与肝纤维化的筛查已纳入国家重大公共卫生体系。超声凭借较好的临床与经济效益，目前仍是肝病筛查的首选影像学检查之一^［8］。然而相比于中心医院，基层医疗机构由于医生的操作和诊断经验欠缺、设备条件不足，一定程度上制约了肝病筛查体系的整体效能。AI则可以为目前基层超声筛查难题提供一种同质高效的解决方案。

在脂肪性肝病筛查中，AI显著提升了超声定量评估能力。研究表明，基于卷积神经网络（convolutional neural network，CNN）的多分类模型诊断不同程度脂肪肝的受试者操作特征曲线下面积（area under the curve，AUC）可达0.85~0.93^［9］。相较于二维灰阶超声，原始射频信号与定量超声包含更丰富的组织声学信息。Han等^［10］基于CNN分析射频数据，实现了非酒精性脂肪性肝病的高效精确诊断（准确率0.96）；Jeon等^［11］融合二维灰阶图像与定量超声参数计算超声脂肪分数，诊断肝脂肪变的AUC达0.97。在一项大规模多中心研究中，研究者充分证实了基于XGBoost的代谢相关脂肪性肝病（metabolic associated fatty liver disease，MAFLD）预测模型良好的效能与泛化能力，在泛化能力评估中优于28种传统无创评分，该研究还进一步证明了预测结果与全因死亡风险具有关联性，拓展了长期风险分层的临床价值^［12］。随着大语言模型的兴起，其为临床推理提供了一种新的技术路径。Wu等^［13］发现GPT-4基于临床信息评估MAFLD风险的AUC达0.831，性能与经典评分相近，同时具有良好的交互性。

在肝纤维化与肝硬化筛查领域，既往研究人员利用机器学习模型高效提取临床数据，例如：二维灰阶超声、射频信号、定量参数及临床指标等，取得了对肝纤维化与肝硬化无创评估的良好效能（AUC为0.716~0.924），整体表现接近资深医师^［14-17］。随着技术进步，深度学习表现出了更好的高维特征提取能力，利用二维剪切波弹性成像、高频超声等数据训练的CNN模型在识别进展期纤维化及肝硬化方面更具优势^［18-19］。

肝纤维化临床表现隐匿，单一临床检查蕴含的疾病特征不明显，如何综合运用多模态临床数据进行诊断是提高肝纤维化筛查效能与泛化性的关键。罗燕玲等^［20］用SMOTE算法和LASSO-logistic回归构建的列线图证实，超声衰减参数可有效预测AFLD患者进展性肝纤维化风险，模型AUC可达0.893。Liu等^［21］融合二维灰阶超声、肝硬度值及临床参数构建多模态融合模型，诊断慢性乙型肝炎显著纤维化的AUC达0.901。Rhyou等^［22］提出一种生成式框架，通过“生成聚合微斑块”强化肝硬化纹理特征并缓解小样本过拟合，模型在小样本训练的条件下实现了较高的临床诊断性能。既往研究虽已在实验室环境下证实AI在肝病早期筛查中具备良好的诊断效能，但其临床价值仍需真实世界研究提供直接证据。Chen等^［2］在模拟真实世界条件下设计了AI参与的多步序贯筛查策略，大幅提升肝纤维化筛查的特异度与阳性预测值，减少了35%~42%的不必要专科转诊。Lu等^［23］则探索了如何在肝癌早筛流程中更好整合AI，其“双保险人机交互流程”可在95.6%高敏感度的前提下，将特异度提升至78.7%，同时大幅降低医生工作量与无效召回率，证实了人机交互肝癌早筛新模式的可行性。

随着社会经济发展，既往基于机器学习利用单一模态数据粗放定性肝病的早筛模式已经跟不上社会对医疗卫生水平的需求，如何实现精准风险分层与个体化评估是目前的发展方向。工科技术的快速迭代为医学事业提供了前进的驱动力，我们作为临床研究者如何把握前进方向就尤为重要。未来的智能化超声筛查研究将更加聚焦于真实场景，以具体的任务驱动，验证和优化在现实临床环境下的实际性能，探索AI运用价值最大化的落地模式。

二、. 准确诊断

精准的肝病诊断是后续进行精准治疗、提升患者预后的必要要求。超声与AI的合理融合可以提升对肝病诊断的效能与一致性，提高了临床实践中对复杂病变的判别能力。

局灶性肝病变的分类是临床实践中最主要的诊断任务，目前基于CNN技术开发的诊断模型相对成熟，已接近高年资医师的水平，某些场景下可以作为CT或者磁共振成像的替代方案^［24-26］。Li等^［27］利用机器学习提取超声组学，并结合医师评分，在难度更高的非典型肝细胞癌与局灶性结节性增生的鉴别任务中的AUC提升至0.93，且在甲胎蛋白正常的患者亚群中性能依然鲁棒。

超声造影（contrast-enhanced ultrasound，CEUS）具有更丰富的病灶血流特征，在肝脏肿瘤的诊断中具有重要地位^［28］。早期基于CEUS数据训练的机器学习模型已在肝结节的良恶性鉴别任务中表现优异，效能高于传统的CEUS LI-RADS评分系统^［29-30］。后续研究人员进一步深挖CEUS视频中丰富的时序与空间诊断信息，徐辉雄等^［31］提出可通过分析三期典型时相图像的跨期深度关联特征替代全视频分析，实现高效多期相信息融合并降低计算复杂度。Hu等^［32］用四期相CEUS数据训练深度学习模型，鉴别局灶性肝病变良恶性的AUC达0.934；Wan等^［33］提出“基于协同推理的图像生成”方法，在特征空间中构建双视角语义关联，实现数据互补生成，在肝癌双视角CEUS数据集中诊断准确率达95.57%，显著提升了小样本下AI模型的鲁棒性。

在弹性成像领域，李雪齐等^［34］研究表明，基于剪切波弹性成像、剪切波频散成像及衰减成像构建的多参数定量超声联合血清学模型可无创评估高风险脂肪性肝炎，其诊断效能（AUC=0.825）显著优于单一超声参数及单纯血清学指标。Cheng等^［35］将二维剪切波弹性成像彩色图转化为独立定量特征空间，构建RGB三通道超声组学模型，显著提升了肝癌诊断效能（AUC=0.926）。Wang等^［36］进一步融合传统弹性参数与高维纹理特征，使肝癌良恶性鉴别AUC升至0.94，敏感度与阳性预测值均超90%。Lu等^［37］通过涉及17个中心的国际多中心研究，进一步验证了融合影像空间特征与肝硬度的深度学习模型的有效性。

在任务范式上，研究者用临床医生“先定位、再定性”的思维设计AI的诊断架构。Dadoun等^［38］基于Transformer框架，在同一模型中实现了局灶性肝病变的检测、定位与良恶性判别，模型敏感度（97%）与特异度（90%）均达到专家水平。Xu等^［5］则结合超声视频时空信息与注意力机制，采用“先定位、再定性”的模式自动筛选关键帧，利用上下文信息显著提升了恶性病变识别的准确性与鲁棒性。

高效合理的多模态数据融合是提高模型效能与泛化性的关键。Du等^［1］通过大规模多中心研究，证实了融合二维灰阶超声特征、影像组学及临床变量的可解释机器学习模型在鉴别小肝细胞癌（直径≤3 cm）时的AUC达0.899，优于资深医师，且在各风险亚组中表现稳定。Ding等^［6］融合CEUS、免疫组织化学标志物与临床文本信息训练多模态诊断模型，在局灶性肝病变的多分类任务中实现了高精度诊断（AUC为0.85~0.86），具有良好的跨设备与跨人群泛化性。

在流行性肝病防治中，AI同样展现出巨大的公共卫生价值。Yang等^［3］基于87家机构的近万例肝包虫病二维灰阶超声图像训练CNN模型，实现了肝包虫病的精准识别与分型（最高AUC=0.986），并实现了在肝炎共病人群中有效鉴别泡型包虫病与肝细胞癌（AUC=0.892），为卫生水平相对欠发达地区提供了一种高效能鲁棒的智能辅助诊断工具。Zhang等^［39］进一步融合CT与超声构建双模态深度学习系统，将肝包虫病诊断AUC提升至0.96，特异度超94%。

回顾AI在肝病超声诊断领域的发展历程，不难看出相关研究已跨越单一的灰阶超声检测阶段，正向多模态数据、时空信息融合的诊断模式发展。未来的“超声+AI”将不再局限于扮演辅助医生判读的“第二双眼睛”，而是能够深度协同时空动态特征与多模态临床信息的“智能数字大脑”。这种从“工具”到“大脑”的转变，是推动肝脏疾病迈入精准诊疗时代的核心动力。

三、. 精准治疗

AI正在深刻影响超声引导下的肝癌局部治疗模式，在术前风险分层、术中精准导航及术后疗效评估等核心环节展现出强大的潜力。

在术前评估环节，微血管侵犯等病理特征是预测肝癌治疗预后的重要指标。Hu等^［40］设计了预测肝细胞癌微血管侵犯的超声影像组学评分（AUC=0.731）；Li等^［41］基于梯度提升决策树算法实现了“影像-病理空间对齐”，模型预测微血管侵犯的AUC达0.91；Wang等^［42］用CEUS四期动态特征构建支持向量机模型，对微血管侵犯预测AUC达0.785；Zhao等^［43］融合CEUS特征与病理指标在预测结直肠癌肝转移消融术后复发任务中模型表现优秀（AUC=0.78）。Yang等^［44］证实了CEUS早期洗脱与宽侵袭边缘等语义特征在预测肝癌侵袭性生物学行为中存在重要联系，为术前危险分层提供了直观的病理映射依据。Lu等^［45］开发了多模态影像组学模型，整合二维超声与CEUS实现了对高危粗梁型-团块型亚型的精准识别（AUC=0.878），并通过SHAP分析增强了决策透明度与预后评估价值。

在术中介入环节，肝脏超声由于患者呼吸运动与解剖位置较深，低年资操作者难以实现精准定位与导航。Arif等^［46］针对上述瓶颈提出基于三维超声的智能导航方案，结合CNN与几何追踪算法，实现穿刺针在三维超声数据中的全自动高精度检测与双正交平面可视化。Liu等^［47］创新性地利用CNN与级联孪生网络增强时序一致性，引入可变形卷积与元学习机制，实现了呼吸门控下的超声靶器官的动态追踪；Li等^［48］亦通过多模态空洞注意力融合模型实现了运动补偿下的病灶识别。此外，Mezheritsky等^［49］构建了“二维引导三维”的卷积自编码器技术框架，实现了二维超声与三维肝脏模型的空间映射。空间配准与呼吸补偿算法的日益完善，为发挥机器人高精度的力控优势奠定了坚实基础。例如，Zhang等^［50］研发了基于实时超声与CT三维点云配准的半自动穿刺机器人系统，通过特征匹配有效克服了呼吸引起的软组织形变，实现了平均误差小于2 mm的高精度介入引导。随后，研究团队进一步优化视觉与多维力觉反馈系统，在活体动物模型中验证了其兼顾高精度与组织力学保护的有效性^［7］。相较于甲状腺、外周血管等浅表器官，肝脏超声机器人的自主化等级受限于腹部的特殊复杂环境而处于较低阶段^［51-52］。其核心制约因素可归纳为：肝脏体积大、解剖结构复杂、肋骨带来的动态避障与精密力控难题以及介入场景中穿刺针定位与组织形变的实时补偿挑战。目前，研究相对成熟的基于临床先验与空间约束的规则驱动建模虽具备高鲁棒性与可解释性，但在应对肝脏场景下泛化能力不足；而以强化学习与模仿学习为核心的数据驱动方案，具备更强的泛化性，未来可能是提升肝脏超声机器人自主化等级的关键技术^［53］。

在术后评估环节，恶性病灶消融边界的精准判定直接关系到患者复发情况与远期预后。Zhang等^［54］用CNN分析原始射频信号的散射特性变化，实现了离体模型中消融边界的准确识别（AUC=0.895）。Li等^［55］融合多模态定量超声特征构建支持向量机模型，识别微波消融热损伤区域的准确率达89.1%，Dice系数为0.77。

目前AI已初步在肝病超声治疗环节实现技术整合，在“术前-术中-术后”的全流程中发挥重要作用，为肝癌局部治疗的规范化与个体化管理提供了坚实支撑。未来领域的研究重点将逐渐落实到“物理空间”；从以往的“视觉决策辅助”，向依托多源数据的“半自动化引导”，乃至最终的“全自动化超声治疗机器人”方向发展。

四、. 预后监测

慢性肝病风险预测及肝细胞癌治疗后监测是改善长期预后的关键。基于对多源异构与纵向数据的整合能力，AI可实现基于任务驱动的早期预警、动态风险评估与个体化分层管理，为全病程智能诊疗提供前瞻性决策支持。

在术后复发预测中，Li等^［56］创新性融合液体活检（活组织检查）指标（循环肿瘤细胞）与CEUS影像组学特征，构建了肝癌根治术后早期复发预测模型，一致性指数可达0.910。Wu等^［57］构建超声放射组学模型实现了对肝癌消融后复发风险及肿瘤分化程度的精准无创评估，其预测效能显著优于传统方法。Zhang等^［4］开发了基于视觉Transformer的HEROVision模型，在多中心数据集中证实其在预测复发性肝癌预后方面显著优于主流临床指南，并能通过个体化筛选策略优化治疗方案的选择，提升患者整体预后。

在其他慢性肝病的长期监测中，AI的优势同样显著。Audureau等^［58］构建前瞻性队列，验证了随机生存森林在慢性丙型肝炎相关肝硬化患者的肝癌风险预测中的优秀表现（一致性指数约为0.71），揭示病毒学应答前后主导风险因素呈现出由炎症与纤维化指标向肝功能储备和年龄等相关因素转变的情况，提示动态建模的必要性。Huang等^［59］构建融合纵向二维灰阶超声与深度学习的多任务框架，通过提取短期影像的动态变化特征，实现了乙型肝炎相关慢加急性肝衰竭30 d死亡风险的精准预测（AUC=0.851），揭示了时序信息潜在的临床价值。Kosick等^［60］开展的多中心研究证实机器学习模型对MAFLD长期结局具备高判别力（肝失代偿任务AUC=0.90）。但特征重要性分析显示，二维灰阶超声参数对结局的预测贡献低于纤维化4因子及年龄等生物化学临床指标，提示其在MAFLD中更适用于早期脂肪变筛查而非远期风险分层。

当前，AI已在各类肝病超声的预后专项任务中展现出巨大潜力，但仍缺乏一个能够在更高维度实现专项工具统一调度、纵向信息整合与自主决策的“AI医生”。如何构建“AI医生”以实现对慢性肝病患者的精准随访、风险评估与高效干预，这将是未来的研究重点。

五、. 未来展望

总体而言，肝脏超声AI在技术、数据、临床应用等诸多方面取得显著进展，但不可否认的是现阶段的研究仍然面临诸多挑战，仍具备较大的进步空间（表2）。本文谨作抛砖引玉，以期为该领域研究者提供有益参考。

表2.

肝脏超声人工智能面临的主要瓶颈与主流解决思路

维度	瓶颈问题	本质难点	主流思路
数据层面	数据主权与隐私安全	多中心集中训练需求与数据隐私保护的矛盾	联邦学习；分布式协同
	小样本/长尾分布数据	小样本下特征分布的不完备性与模型过拟合风险	数据增强；生成式模型；器官数字孪生
算法架构	算法黑箱与可解释性	深度黑箱推理特性与循证医学严格因果逻辑的矛盾	事后归因可视化；链式思考推理
	临床全信息融合	检查检验病史多维数据的高效语义耦合与综合决策	混合专家模型、多模态大模型、智能体
	具身感知与交互	人工智能感知、决策、输出的整体有机融合不足	模仿学习、强化学习、具身智能
临床部署	端侧部署性能限制	移动端性能不匹配大参数模型硬件要求	知识蒸馏轻量化；稀疏混合专家；低比特量化
	鲁棒性与风险控制	开放复杂场景下人工智能的不确定性与失效边界量化困难	不确定性估计；概率校准

·读者·作者·编者·

关于中华医学会系列杂志投稿网址的声明

为维护广大读者和作者的权益以及中华医学会系列杂志的声誉，防止非法网站假冒我方网站诱导作者投稿、并通过骗取相关费用非法获利，现将中华医学系列杂志稿件管理系统网址公布如下，请广大作者加以甄别。

1. “稿件远程管理系统”网址

中华医学会网站（http:∥www.cma.org.cn）首页的“期刊在线投/ 审稿”栏目、中华医学会杂志社网站（http:∥cmaes.medline.org.cn）首页的“稿件远程管理系统”以及各中华医学会系列杂志官方网站接受投稿。作者可随时查阅到稿件处理情况。

2. 编辑部信息获取

登录中华医学会杂志社网站（http:∥www.medline.org.cn，http:∥www.cmaph.org）首页，在《中华医学会系列杂志一览表》中可查阅系列杂志名称、编辑部地址、联系电话等信息。

3. 费用支付

中华医学会系列杂志视杂志具体情况，按照有关规定，酌情收取稿件处理费和版面费。稿件处理费作者在投稿时支付；版面费为该稿件通过专家审稿并决定刊用后才收取。

欢迎投稿，并与编辑部联系。

特此声明。

（中华医学会杂志社）

利益冲突

所有作者声明不存在利益冲突

作者贡献声明

黄健洋、许芊芊：文献调研、撰写文章；陈立达、王伟：文章指导、论文审阅、经费支持

Funding Statement

国家自然科学基金（82371983，82572323）；广东省科技计划-国际科技合作项目（506116939071）；广州市科技计划-重点研发项目（2025B03J0155）

National Natural Science Foundation of China (82371983,82572323); Guangdong Science and Technology Plan-International Science and Technology Cooperation Project (506116939071); Guangzhou Science and Technology Plan-key Research and Development Project (2025B03J0155)