基于来自生物医学数据的聚合学习器并利用可解释人工智能的肝细胞癌智能医疗框架

为何更智能的肝癌筛查很重要

肝癌，尤其是一种常见的肝细胞癌，常在沉默生长直到难以治疗为止。医生已经从患者处收集了大量常规检测结果，但要把这些数字转化为早期预警并不容易。本研究探讨了先进的计算程序如何从日常医疗数据中筛选出高危患者，同时以医生可以信赖的方式解释其推理过程。

把常规检测变为早期警示

研究者聚焦于慢性肝病患者，这类患者发生严重肝癌的风险更高。他们不依赖昂贵的影像或复杂的基因检测，而是使用常规临床测量——例如血液化学指标、肝酶以及基础健康信息。这些测量首先经过小心的重标度，使所有特征落入相同的数值范围。这一步看似简单却很重要，有助于计算模型更可靠地学习模式，避免单个异常大值主导预测。

多重数字“第二意见”协同工作

研究团队并不依赖单一算法，而是构建了由三种不同深度学习模型组成的集成或团队。其中一个模型压缩数据以发现最具信息量的特征组合。第二个模型被设计为识别类似序列展开的模式，捕捉多项测量共同提示风险的方式。第三个模型堆叠若干简单层以捕获数据中隐藏的复杂非线性关系。每个模型独立判断患者属于高风险还是低风险组，较高层的组合器对这些意见加权并合并为最终决策。

为医生打开“黑箱”

尽管功能强大，深度学习系统常被批评为像神秘的“黑箱”。为了解决这一问题，作者添加了基于称为 SHAP 的方法的可解释人工智能层。该技术估算每个输入特征在多大程度上将个体预测推向更安全或更危险的结果。例如，某些肝酶水平、肝功能标志以及肝外扩散的迹象被发现尤为有影响力。医生不仅能看到系统将某位患者标记为高风险，还能看到哪些具体测量促成了该判断以及其影响方向，从而在临床医生与机器之间建立更透明的合作关系。

该方法表现如何？

研究团队在一个包含至少随访一年、165 名患者的公开数据集上测试了其框架，每位患者标注为生存或未生存。尽管数据集规模有限，组合模型学会了以惊人的准确度区分高风险与低风险患者：在最终训练阶段大约对 100 个病例中有 98 个被正确分类。与包括经典统计模型和若干现代神经网络在内的一系列现有方法相比，该方法不仅在准确率、精确率和漏报与误报之间的平衡上相当或更优，而且计算时间相对较低。消融研究中单独使用三种组件模型的结果表明每个模型都带来了价值，但三者组合的表现最好。

这对患者护理意味着什么

对于日常医疗实践而言，这项工作指向了既精确又可理解的决策工具。按照此路线构建的系统可以帮助提前发现那些在症状出现前悄然进入危险区的肝病患者，利用许多诊所已收集的数据。同时，其解释功能——指出对某位个体最重要的检测结果和临床体征——可以帮助医生优化治疗方案并与患者沟通风险。尽管该研究仍依赖相对较小、单一来源的数据集并且未纳入影像和基因数据，但它为更智能、更透明的癌症风险模型提供了路线图，随着更大且更具多样性的数据，该类模型有望成为未来对抗肝癌的常规助手。

引用: Alqaralleh, B.A.Y., Alksasbeh, M.Z., Kulakli, A. et al. An intelligent healthcare framework for hepatocellular carcinoma diagnosis based on aggregated learners from biomedical data utilising explainable artificial intelligence. Sci Rep 16, 9357 (2026). https://doi.org/10.1038/s41598-026-39871-z

关键词: 肝癌, 医学人工智能, 早期诊断, 可解释人工智能, 临床决策支持