人工智能及機(jī)器學(xué)習(xí)在非酒精性脂肪性肝病中的應(yīng)用

馮 鞏， 王雪瑩， 李珊珊， 賀 娜， 鄭皓允， 嚴(yán)琴琴， 彌 曼

1 西安醫(yī)學(xué)院 a.全科醫(yī)學(xué)研究所， b.全科醫(yī)學(xué)院， c.公共衛(wèi)生學(xué)院， 西安 710021；2 西安醫(yī)學(xué)院第一附屬醫(yī)院 消化內(nèi)科， 西安 710077

非酒精性脂肪性肝病(NAFLD)已成為全球最常見(jiàn)的慢性肝病，有學(xué)者提出NAFLD可以作為代謝綜合征的肝臟表現(xiàn)，并應(yīng)更名為代謝相關(guān)脂肪性肝病[1-3]。NAFLD的病程主要有單純性脂肪肝、非酒精性脂肪性肝炎(NASH)、脂肪性肝硬化和肝細(xì)胞癌。目前，肝活組織檢查仍然是NAFLD診斷的“金標(biāo)準(zhǔn)”，但其具有侵入性，可能導(dǎo)致疼痛、感染、出血等嚴(yán)重并發(fā)癥。近年來(lái)，人工智能(artificial intelligence，AI)在醫(yī)學(xué)領(lǐng)域迅速發(fā)展，來(lái)自多個(gè)國(guó)家的學(xué)術(shù)研究小組也積極參與肝病相關(guān)的機(jī)器學(xué)習(xí)(machine learning，ML)/深度學(xué)習(xí)(deep learning，DL)研究。以“人工智能”、“非酒精性脂肪性肝病”及其自由詞為檢索詞，可見(jiàn)2013年—2022年P(guān)ubMed、CNKI等數(shù)據(jù)庫(kù)共發(fā)布有相關(guān)中文文獻(xiàn)36篇，外文文獻(xiàn)308篇，年度發(fā)文量呈逐年上升趨勢(shì)。本文總結(jié)既往研究成果，對(duì)AI、ML在NAFLD診斷、治療和預(yù)后中的應(yīng)用現(xiàn)狀和發(fā)展前景作一綜述。

1 AI和ML的概述

AI是數(shù)據(jù)分析技術(shù)的集合，旨在從多維數(shù)據(jù)集中構(gòu)建預(yù)測(cè)模型。自從ML提出以來(lái)，AI成為搜索最多的詞，有學(xué)者將ML描述為主要的AI應(yīng)用程序，也有學(xué)者將其描述為AI的一個(gè)子集。ML從訓(xùn)練數(shù)據(jù)集生成一個(gè)數(shù)學(xué)算法，并利用該算法對(duì)結(jié)果進(jìn)行預(yù)測(cè)或做出決策。后來(lái)神經(jīng)網(wǎng)絡(luò)的發(fā)展使機(jī)器能夠像人腦一樣對(duì)輸入的數(shù)據(jù)進(jìn)行分類組織。DL一詞又在多層神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上被提出。AI、ML及DL的關(guān)系是：DL是ML的子集，ML是AI的子集[4]。

按照訓(xùn)練方法的模式，ML可分為有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)(圖1)。監(jiān)督學(xué)習(xí)適用于帶有標(biāo)注的數(shù)據(jù)，它使用輸入輸出對(duì)的形式和常用技術(shù)處理這些數(shù)據(jù)，常用技術(shù)包括線性回歸、邏輯回歸(logistic regression，LR)、決策樹(shù)(decision trees，DT)、k近鄰(k-nearest neighbors，kNN)、支持向量機(jī)(support vector machine，SVM)、隨機(jī)森林(random forest，RF)、樸素貝葉斯分類(Na?ve Bayes)和梯度增強(qiáng)(gradient boosting，GB)[5-6]。無(wú)監(jiān)督學(xué)習(xí)適用于處理無(wú)標(biāo)簽的數(shù)據(jù)，它要求根據(jù)數(shù)據(jù)本身的結(jié)構(gòu)特征對(duì)數(shù)據(jù)進(jìn)行分類。半監(jiān)督學(xué)習(xí)融合了有監(jiān)督和無(wú)監(jiān)督2種學(xué)習(xí)方式，適用于分析大量未分類數(shù)據(jù)，能夠提高從大數(shù)據(jù)集合中提取信息的速度和準(zhǔn)確性。強(qiáng)化學(xué)習(xí)與其他算法的不同的是，強(qiáng)化學(xué)習(xí)沒(méi)有管理者，僅有一種獎(jiǎng)勵(lì)信號(hào)，其關(guān)注智能體與環(huán)境之間的交互，目的是達(dá)到獎(jiǎng)勵(lì)最大化或?qū)崿F(xiàn)特定目標(biāo)。目前，基于醫(yī)學(xué)數(shù)據(jù)的來(lái)源和特點(diǎn)，醫(yī)學(xué)領(lǐng)域使用較多的是監(jiān)督學(xué)習(xí)[7-12]和半監(jiān)督學(xué)習(xí)[13]。

圖1 ML的分類和常用算法

根據(jù)建模目的的不同，模型可分為診斷模型、治療模型和預(yù)后模型。診斷模型主要用于NAFLD、NASH和纖維化的評(píng)估。治療模型的應(yīng)用主要集中在新藥開(kāi)發(fā)、個(gè)性化生活方式指導(dǎo)和療效隨訪等方面，有助于指導(dǎo)個(gè)性化飲食，加速新藥研究和改善治療計(jì)劃。預(yù)后模型主要用于預(yù)后預(yù)測(cè)，跟蹤患者的生存狀態(tài)，方便醫(yī)生指導(dǎo)預(yù)后管理。

2 AI在NAFLD診斷中的應(yīng)用

NAFLD的傳統(tǒng)評(píng)估模型采用了多種評(píng)估指標(biāo)[14-15]等，一般而言，這些指標(biāo)均屬于初級(jí)AI模型。與傳統(tǒng)統(tǒng)計(jì)建模相比較，AI具有明顯的優(yōu)勢(shì)，可識(shí)別獨(dú)特的模式，并綜合各種因素建立風(fēng)險(xiǎn)分層模型[16]和預(yù)測(cè)疾病結(jié)果。根據(jù)AI分析數(shù)據(jù)來(lái)源的不同，將應(yīng)用于診斷NAFLD的研究模型分為以下幾種類型：以電子健康記錄(electronic health record，EHR)數(shù)據(jù)和實(shí)驗(yàn)室指標(biāo)為基礎(chǔ)、以超聲成像數(shù)據(jù)為基礎(chǔ)、以放射成像數(shù)據(jù)為基礎(chǔ)和以肝組織病理學(xué)數(shù)據(jù)為基礎(chǔ)的模型。

2.1 基于電子健康記錄數(shù)據(jù)和實(shí)驗(yàn)室指標(biāo)的診斷模型 隨著醫(yī)學(xué)診斷技術(shù)的不斷發(fā)展，具有智能診斷功能的EHR系統(tǒng)已成為當(dāng)今醫(yī)學(xué)信息科學(xué)中最受關(guān)注的課題之一。EHR系統(tǒng)包含結(jié)構(gòu)化數(shù)據(jù)(如診斷代碼)和非結(jié)構(gòu)化數(shù)據(jù)(包括實(shí)驗(yàn)室指標(biāo)在內(nèi)的臨床文檔)，通過(guò)使用AI算法對(duì)這些數(shù)據(jù)進(jìn)行分析，可以篩查NAFLD/NASH患者，還可以得出疾病進(jìn)展的風(fēng)險(xiǎn)。目前，EHR分析所使用的AI算法包括基于自然語(yǔ)言處理(natural language processing，NLP)的方法，基于文本搜索的方法和基于國(guó)際疾病分類的方法。van Vleck等[17]對(duì)上述方法進(jìn)行評(píng)估，在EHR數(shù)據(jù)中識(shí)別NAFLD，與基于國(guó)際疾病分類和文本搜索的方法相比， NLP方法的總體性能最優(yōu)。

2.2 基于超聲成像數(shù)據(jù)的評(píng)估模型 超聲檢查是目前較為成熟且經(jīng)濟(jì)有效的肝脂肪變性診斷方法，但也存在不足，包括對(duì)輕度脂肪變性的診斷準(zhǔn)確性較低，定性較差等。定量超聲的成像方法主要有彈性成像、回聲分析和斑點(diǎn)統(tǒng)計(jì)建模等，這些超聲成像方法補(bǔ)充了定量組織的信息，因此可以通過(guò)它們的結(jié)合得到肝臟的特征，其中ML模型是實(shí)現(xiàn)這一功能的主要手段，迄今為止，超聲檢查衍生的ML模型已經(jīng)應(yīng)用于心血管，神經(jīng)系統(tǒng)疾病以及慢性乙型肝炎等疾病[18]。Tang等[19]以組織病理學(xué)評(píng)分作為參考標(biāo)準(zhǔn)，建立了基于QUS參數(shù)的ML模型。該研究結(jié)果證明，QUS參數(shù)相較于簡(jiǎn)單的剪切波彈性成像提高了脂肪性肝炎、炎癥和纖維化等疾病的分類準(zhǔn)確性。Wu等[20]建立了超聲預(yù)測(cè)脂肪肝疾病的RF模型，模型受試者工作特征曲線下面積(AUC)達(dá)到0.93，在性能上優(yōu)于Na?ve Bayes、人工神經(jīng)網(wǎng)絡(luò)和LR模型。

2.3 基于放射成像數(shù)據(jù)的評(píng)估模型 在醫(yī)學(xué)成像領(lǐng)域，影像學(xué)和AI的結(jié)合提高了肝纖維化分期的準(zhǔn)確性。此外，在非對(duì)比增強(qiáng)T1加權(quán)MRI圖像中，結(jié)合基于圖像紋理分析的衍生參數(shù)和ML,肝纖維化的量化具有更高的準(zhǔn)確性。人工追蹤肝臟的興趣區(qū)域(region of Interest, ROI)是在CT上測(cè)量肝臟衰減情況以診斷NAFLD的標(biāo)準(zhǔn)方法。但人工跟蹤所需要的資源巨大。為了解決這些局限性并擴(kuò)大CT定量測(cè)量肝脂肪變性的有效性，Huo等[21]提出了一種基于ROI的自動(dòng)肝臟衰減測(cè)量方法來(lái)自動(dòng)估計(jì)肝臟衰減情況。其主要包括2個(gè)階段：(1)基于深度卷積神經(jīng)網(wǎng)絡(luò)的肝臟分割；(2)ROI自動(dòng)提取。該方法簡(jiǎn)單快速，在每次CT掃描后5 min即可完成肝臟衰減評(píng)估。Graffy等[22]開(kāi)發(fā)了一種自動(dòng)進(jìn)行肝脂肪定量分析的工具,可以確定大規(guī)模人群篩查中脂肪變性的患病率。該工具通過(guò)使用三維卷積神經(jīng)網(wǎng)絡(luò)，分析了基于體積的肝臟衰減情況。結(jié)果表明，客觀數(shù)據(jù)與手動(dòng)測(cè)量結(jié)果吻合良好。通過(guò)利用NLP，許多研究開(kāi)發(fā)了能夠“閱讀”全文放射學(xué)報(bào)告的算法，以準(zhǔn)確識(shí)別脂肪肝是否存在。這些算法可以快速篩選病例，促進(jìn)流行病學(xué)和臨床研究的發(fā)展。

2.4 基于肝組織病理學(xué)數(shù)據(jù)的評(píng)估模型 在病理學(xué)診斷方面，經(jīng)驗(yàn)豐富的肝臟病理學(xué)家有限，其對(duì)肝臟疾病各種組織學(xué)特征的檢測(cè)及定量結(jié)果的一致性也存在差異，且半定量人工分級(jí)評(píng)分的使用有限。AI軟件可以自動(dòng)識(shí)別和評(píng)估NAFLD的組織學(xué)特征，可以對(duì)肝損傷情況進(jìn)行連續(xù)而非半定量的評(píng)估。并且觀察者之間和觀察者內(nèi)部的評(píng)估一致性較高[23]。

NAFLD的病理學(xué)評(píng)估包括4個(gè)關(guān)鍵特征：脂肪變性、小葉炎癥、纖維化和肝細(xì)胞氣球樣變。目前，很多研究為了通過(guò)ML算法自動(dòng)量化NAFLD評(píng)分[24]或?yàn)榱祟A(yù)測(cè)肝纖維化的嚴(yán)重程度[25]，已經(jīng)在嚙齒類動(dòng)物和人類脂肪肝的自動(dòng)組織病理學(xué)分類方面做出了許多嘗試。Koleck等[26]通過(guò)使用監(jiān)督ML和圖像處理技術(shù)等，建立了能夠預(yù)測(cè)脂肪變性的分類器。對(duì)于脂肪變性的預(yù)測(cè)，該模型的準(zhǔn)確度、靈敏度和AUC分別為94.2%、95%和99.1%。Vanderbeck等[27-28]采用類似的方法開(kāi)發(fā)了包括Na?ve Bayes、LR、DT以及神經(jīng)網(wǎng)絡(luò)在內(nèi)的能夠相對(duì)準(zhǔn)確地檢測(cè)和定量描述人類肝脂肪變性的自動(dòng)分類器。上述研究初步證明了NAFLD主要組織學(xué)病變自動(dòng)量化的可行性，同時(shí)也期望自動(dòng)量化技術(shù)能進(jìn)一步發(fā)展成為病理學(xué)家在臨床及臨床試驗(yàn)中評(píng)估NAFLD活檢的一種潛在輔助手段。

2.5 NAFLD、NASH和纖維化的評(píng)估模型 通過(guò)上述論述，NAFLD的診斷重點(diǎn)是區(qū)分健康與NAFLD/NASH，區(qū)分單純性脂肪肝與NASH[17]以及纖維化與非纖維化[10]。NASH提示NAFLD的進(jìn)展和惡化，但是目前只有通過(guò)活檢才能確診，因此探討無(wú)創(chuàng)性ML模型在NASH評(píng)估中的作用具有重要價(jià)值。

診斷模型主要就是用于NAFLD、NASH和纖維化的評(píng)估。例如，在一項(xiàng)基于23個(gè)常規(guī)臨床和實(shí)驗(yàn)室參數(shù)的研究中，采用了不同的算法對(duì)NAFLD進(jìn)行評(píng)估，算法包括LR、嶺回歸、AdaBoost和DT模型。研究[29]表明，訓(xùn)練組和驗(yàn)證組AUC(95%CI)分別為0.87(0.83～0.90)和0.88(0.84～0.91)，嶺回歸是性能最好的算法。通過(guò)采用大規(guī)模AI訓(xùn)練隊(duì)列進(jìn)行模型開(kāi)發(fā)，發(fā)現(xiàn)驗(yàn)證隊(duì)列的預(yù)測(cè)結(jié)果可能比傳統(tǒng)的生物統(tǒng)計(jì)方法更精確[30]。

在NAFLD中，肝纖維化的嚴(yán)重程度是決定患者長(zhǎng)期預(yù)后的關(guān)鍵因素。Feng等[25]開(kāi)發(fā)一種新的機(jī)器學(xué)習(xí)算法(machine learning algorithm，MLA)來(lái)預(yù)測(cè)NAFLD的纖維化嚴(yán)重程度。與其他算法相比，在訓(xùn)練隊(duì)列中,MLA對(duì)顯著性纖維化纖維化的診斷準(zhǔn)確率AUC最高0.902(95%CI：0.869～0.904)，在驗(yàn)證隊(duì)列中，MLA也顯示出最高的AUC為0.893(95%CI：0.864～0.901)。但目前對(duì)纖維化的研究還不多，今后的研究可以更多地關(guān)注這個(gè)方面。

3 AI在NAFLD治療中的應(yīng)用

3.1 個(gè)性化生活方式指導(dǎo)下的治療模式 NAFLD一直被認(rèn)為是糖尿病的并發(fā)癥之一，因此與NAFLD患者的飲食和血糖控制相關(guān)的治療也越來(lái)越受到重視。AI算法能夠?yàn)榛颊咛峁﹤€(gè)性化的飲食指導(dǎo)，進(jìn)而為NAFLD的防治提供個(gè)性化的營(yíng)養(yǎng)咨詢[31]。Zeevi等[32]測(cè)定了800例個(gè)體對(duì)40多種食物的餐后血糖變化情況，發(fā)現(xiàn)該隊(duì)列人群對(duì)相同食物的反應(yīng)差異很大。在此數(shù)據(jù)基礎(chǔ)上，研究人員設(shè)計(jì)了ML算法-GB回歸，這是一種數(shù)據(jù)驅(qū)動(dòng)的方法，將血液參數(shù)，飲食習(xí)慣、人體測(cè)量、體力活動(dòng)和腸道微生物群等因素有機(jī)地結(jié)合起來(lái)，對(duì)實(shí)際生活中餐后血糖反應(yīng)進(jìn)行個(gè)性化預(yù)測(cè)。隨后，研究人員在一個(gè)相互獨(dú)立的100例隊(duì)列中對(duì)上述預(yù)測(cè)方法進(jìn)行了驗(yàn)證，結(jié)果表明，基于該算法的隨機(jī)對(duì)照飲食干預(yù)導(dǎo)致餐后血糖波動(dòng)降低，腸道菌群結(jié)構(gòu)持續(xù)改變，這也就意味著個(gè)性化飲食能夠成功改善餐后高血糖及其帶來(lái)的不良代謝后果[33]。

另一種研究設(shè)計(jì)是從人群中收集飲食和微生物組的數(shù)據(jù)[34]，推出飲食如何影響微生物組組成的AI模型，然后通過(guò)控制飲食干預(yù)來(lái)驗(yàn)證這個(gè)模型。

上述AI算法通過(guò)指導(dǎo)個(gè)性化的飲食來(lái)幫助控制NAFLD的發(fā)展。在未來(lái)，患者可能會(huì)佩戴監(jiān)測(cè)設(shè)備記錄飲食，然后通過(guò)DL處理信息，并由AI進(jìn)行整合，再結(jié)合其他各種數(shù)據(jù)，為患者和健康人提供個(gè)性化的飲食建議和營(yíng)養(yǎng)咨詢，從而達(dá)到治療和預(yù)防NAFLD的目的。

3.2 與NAFLD治療藥物開(kāi)發(fā)相關(guān)的AI模型 大量基礎(chǔ)研究成果表明，基于基因數(shù)據(jù)識(shí)別靶點(diǎn)可以提高藥物研發(fā)成功率、加快上市速度并降低開(kāi)發(fā)成本，同時(shí)隨著AI技術(shù)的不斷發(fā)展和成熟，也可以進(jìn)一步應(yīng)用AI優(yōu)化藥物和新療法的研發(fā)。如果從包含微生物組、基因組數(shù)據(jù)、蛋白質(zhì)組、代謝組信息的“深層”分子圖譜開(kāi)始，并結(jié)合生理測(cè)量，在某些情況下，可能能夠直接跳過(guò)動(dòng)物試驗(yàn)而進(jìn)入人體試驗(yàn)。目前，多種ML系統(tǒng)和AI技術(shù)已經(jīng)被用于尋求免疫腫瘤藥物和代謝疾病的新療法，相信在不遠(yuǎn)的未來(lái)，AI和ML將開(kāi)創(chuàng)一個(gè)更快、更廉價(jià)、更高效的藥物開(kāi)發(fā)時(shí)代。

然而，目前臨床上尚無(wú)控制NAFLD進(jìn)展的有效藥物。法尼醇X受體激動(dòng)劑可以逆轉(zhuǎn)膽汁酸代謝失調(diào)，可能是預(yù)防和治療NAFLD的潛在療法，基于結(jié)構(gòu)的虛擬篩選利用分子對(duì)接技術(shù)從含有大量化合物小分子的數(shù)據(jù)庫(kù)中，篩選出對(duì)接得分靠前的化合物作為潛在藥物的計(jì)算輔助藥物，進(jìn)而加速藥物發(fā)現(xiàn)。但遺憾的是，基于結(jié)構(gòu)的虛擬篩選在法尼醇X受體中的成功報(bào)道并不多見(jiàn)。

4 AI在NAFLD預(yù)后中的應(yīng)用

絕大多數(shù)NAFLD患者預(yù)后良好，肝組織學(xué)進(jìn)展緩慢甚至呈靜止?fàn)顟B(tài)，但也有多種因素導(dǎo)致疾病發(fā)展為NASH、晚期纖維化和肝硬化、肝細(xì)胞癌，并增加心血管事件等并發(fā)癥發(fā)生的風(fēng)險(xiǎn)。Calzadilla-Bertot等[34]使用競(jìng)爭(zhēng)風(fēng)險(xiǎn)多元回歸等算法開(kāi)發(fā)并驗(yàn)證了ABIDE模型，在NAFLD代償性肝硬化患者中，該模型可以預(yù)測(cè)未來(lái)的肝臟失代償。NAFLD和肝硬化具有進(jìn)展為肝細(xì)胞癌的風(fēng)險(xiǎn)，因此對(duì)NAFLD和肝硬化患者進(jìn)行肝細(xì)胞癌監(jiān)測(cè)十分必要。Bianco等[35]利用線性回歸及邏輯回歸等算法開(kāi)發(fā)了多基因風(fēng)險(xiǎn)評(píng)分模型，發(fā)現(xiàn)該評(píng)分提高了檢測(cè)NAFLD相關(guān)肝癌的準(zhǔn)確性，并可能有助于對(duì)有代謝障礙的個(gè)體的肝癌風(fēng)險(xiǎn)進(jìn)行分層。目前AI在NAFLD預(yù)后中的應(yīng)用較少，但有許多其他的模型也用于NAFLD的預(yù)后評(píng)估。Younes等[36]對(duì)1173例來(lái)自歐洲的NAFLD患者進(jìn)行非侵入性評(píng)分系統(tǒng)(NFS、FIB-4、BARD、APRI)和肝纖維化評(píng)分(hepamet fibrosis score，HFS)的評(píng)估，證實(shí)了NFS、HFS和FIB-4是臨床預(yù)測(cè)NAFLD患者預(yù)后的有用工具。肝纖維化及肝硬化常導(dǎo)致門(mén)靜脈高壓癥，增加了食管靜脈曲張破裂的風(fēng)險(xiǎn)。Petta等[37]在對(duì)一項(xiàng)NAFLD相關(guān)的代償性肝硬化患者的大型多中心隊(duì)列研究中證實(shí)Baveno Ⅵ標(biāo)準(zhǔn)和擴(kuò)展的Baveno Ⅵ標(biāo)準(zhǔn)可以避免在相當(dāng)大比例的此類患者中行食道胃十二指腸鏡篩查靜脈曲張的需要，并且在排除靜脈曲張方面，擴(kuò)展的Baveno Ⅵ標(biāo)準(zhǔn)相較于Baveno Ⅵ標(biāo)準(zhǔn)更有效。

5 總結(jié)

目前，NAFLD的診斷和治療仍面臨諸多難題。醫(yī)療AI技術(shù)備受關(guān)注，發(fā)展前景良好，但在實(shí)際應(yīng)用上才剛剛起步，無(wú)論是技術(shù)本身還是外部環(huán)境都存在著諸多限制因素，如ML算法發(fā)展過(guò)程中缺乏高質(zhì)量數(shù)據(jù)集、數(shù)據(jù)量不均衡和數(shù)據(jù)標(biāo)準(zhǔn)化不足、診斷效能有待提高、個(gè)性化治療方式需要優(yōu)化等。當(dāng)然，ML在NAFLD研究中的潛力還遠(yuǎn)遠(yuǎn)沒(méi)有發(fā)揮出來(lái)，要提高NAFLD的診斷效率，優(yōu)化個(gè)性化治療方式還有很長(zhǎng)的路要走。

近年來(lái)，重新激發(fā)了人們對(duì)可解釋人工智能(explainable artificial intelligence，XAI)領(lǐng)域的科學(xué)興趣。XAI與一般的AI應(yīng)用程序類似，只不過(guò)XAI算法的流程和結(jié)果能夠被解釋，使人們能夠理解AI和ML是如何用于決策、預(yù)測(cè)和洞察的。但XAI在NAFLD研究中的應(yīng)用不多，未來(lái)還有待進(jìn)一步探索。此外，近年來(lái)組學(xué)技術(shù)的發(fā)展為進(jìn)一步研究NAFLD的病理生理機(jī)制提供參考。與病理生理學(xué)相關(guān)的基因組學(xué)、微生物組學(xué)、轉(zhuǎn)錄組學(xué)、代謝組學(xué)/脂質(zhì)組學(xué)和糖組學(xué)為NAFLD的診斷和治療提供了巨大的潛力。AI是一種數(shù)據(jù)驅(qū)動(dòng)和無(wú)假設(shè)的方法，可結(jié)合臨床因素實(shí)現(xiàn)隱藏模式疾病的檢測(cè)或預(yù)測(cè)，對(duì)來(lái)自組學(xué)的大數(shù)據(jù)集進(jìn)行精確分析，這也是AI能在NAFLD領(lǐng)域得以發(fā)展的重要優(yōu)勢(shì)。腸道微生態(tài)作為一個(gè)新的研究方向。也正在被人們所發(fā)掘，其參與者機(jī)體的代謝并與相關(guān)疾病的發(fā)生、發(fā)展相關(guān)，尤其在NAFLD形成過(guò)程中起到關(guān)鍵作用。從腸道菌群的治療角度出發(fā)，有望成為治療NAFLD的新方法。盡管目前中西醫(yī)及多領(lǐng)域?qū)?NAFLD 與腸道菌群的關(guān)系有很多研究成果，但是仍然有很多問(wèn)題至今尚未解決，未來(lái)需要進(jìn)一步展開(kāi)探索。

利益沖突聲明：所有作者均聲明不存在利益沖突。

作者貢獻(xiàn)聲明：馮鞏、彌曼、嚴(yán)琴琴、李珊珊負(fù)責(zé)課題設(shè)計(jì)，資料分析，撰寫(xiě)論文；馮鞏、王雪瑩、鄭皓允參與文獻(xiàn)檢索及相關(guān)資料收集；馮鞏、賀娜、彌曼、嚴(yán)琴琴負(fù)責(zé)擬定寫(xiě)作思路，指導(dǎo)撰寫(xiě)文章并最后定稿。