PDF下载 ( 627 KB)
人工智能相关肝病临床试验的方法学考量
DOI: 10.12449/JCH251105
利益冲突声明：本文不存在任何利益冲突。
作者贡献声明：孔媛媛负责设计论文框架，起草与修改论文并最后定稿；史立臣负责研究过程的实施，起草与修改论文；史立臣和冯睿时负责数据收集，绘制表格；尤红和贾继东负责指导论文修改。
Application of artificial intelligence in clinical trials of liver diseases： A methodological perspective
-
摘要: 近年来，人工智能（AI）技术在肝病临床试验领域的探索与发展，推动了肝病临床试验的不断创新。AI已逐渐成为患者筛选、风险预测、终点评价及结果解读等临床试验环节的重要技术工具。然而，AI在临床试验中的规范化应用仍面临数据质控、模型可解释性及因果推断等方面的方法学挑战。本文基于方法学视角，针对AI作为研究对象（验证型）和AI作为研究工具（辅助型）两类临床试验，系统梳理其在肝病领域的主要应用场景，探讨相关方法学挑战及解决策略，旨在为促进该技术的规范化应用提供方法学参考。Abstract: In recent years， the exploration and development of artificial intelligence （AI） technology in clinical trials for liver diseases have promoted the continuous innovation of research methods and processes in this field. AI has gradually become an important technical tool for various links of clinical trial including patient selection， risk stratification， endpoint evaluation， and result interpretation. Nevertheless， the standardized integration of AI into clinical trials still faces the methodological challenges such as data quality control， model interpretability， and causal inference. From the perspective of methodology， this article systematically reviews the principal application scenarios of AI as an object under investigation （validation trials） and as a research tool （supportive trials） in clinical trials for liver diseases， as well as the major methodological challenges of AI-related clinical trials along and the corresponding solution strategies， in order to provide methodological guidance for promoting the scientific and standardized implementation of AI technologies.
-
Key words:
- Liver Diseases /
- Clinical Trial /
- Artificial Intelligence /
- Methods
-
表 1 现有AI验证型或AI辅助型肝病临床试验的基本情况
Table 1. Basic characteristics of existing AI-validated or AI-assisted clinical trials in liver diseases
试验注册号
（注册时间）参与国家 疾病（病因） AI名称 AI注册/批准 AI应用场景 出版物/试验状态 AI验证型临床试验 NCT04722120
（2016-06）韩国 HCC（HBV） ClariACE — CT影像分析 Kang等［1］ NCT03448757
（2018-02）巴西 HCC Artificial
Intelligence program— 生物信号分析 招募中 NCT06526754
（2019-01）中国 HCC AI-assisted
automatic
segmentation— 医学影像三维重建 完成 NCT03917017
（2019-01）中国 HCC Radiomics and
Watson artificial
intelligence— 临床决策支持+术前
风险评估+影像导航未知 NCT04180631
（2019-03）韩国 NAFLD — — 超声影像后处理 完成 NCT04027556
（2019-06）韩国 HCC（HBV/HCV） ClariCT.AI FDA 510（k）
K183460（2019）CT影像分析 Bae等［2］ NCT04024514
（2019-12）韩国 HCC（HBV/HCV） ClariACE — CT影像分析 Yoon等［3］ NCT04083378
（2020-01）美国 原发性或继发性
肝肿瘤Raystation FDA 510（k）
K220141（2022）CT影像后处理 Odisio等［4］ NCT04462562
（2020-07）韩国 NAFLD 2D CNN — 超声影像分析 Jeon等［5］ NCT04463667
（2020-08）中国 MASLD Siemens Liver lab — MRI影像后处理 Wu等［6］ CTRI/2020/08/
027072（2020-10）印度 MAFLD WBDT — AI辅助个体化管理 Joshi等［7］ TCTR20201230003
（2020-12）泰国 FLL（HCC/肝囊
肿/血管瘤AI assistance — 超声影像分析 Tiyarattanachai等［8］ NCT05804799
（2021-01）韩国、德国 原发性或继发性
肝肿瘤ClariCT.AI FDA 510（k）
K183460（2019）CT影像分析 Lee等［9］ NCT04579874
（2021-01）美国 MASLD LIVERFASt — 基于血液生物标志
物的疾病分型与诊
断辅助完成 NCT04843176
（2021-03）中国 HCC Prototype AI
algorithm— CT影像分析 招募中 
下载: 导出CSV
Table . (continued)
试验注册号
（注册时间）参与国家 疾病（病因） AI名称 AI注册/批准 AI应用场景 出版物/试验状态 NCT04802954
（2021-09）法国 HCC — — 超声影像分析 完成 NCT05182099
（2022-01）韩国 FLL AIRTM — 医学影像重建 未知 NCT05676177
（2023-01）以色列 NAFLD — — CT影像后处理 招募中 NCT05782283
（2023-04）美国 肝纤维化 ACE 2.0 model — 心电图信号分析 招募完成 NCT06626087
（2023-11）中国 HCC Prototype AI
algorithm— CT影像分析 招募中 NCT05681949
（2023-11）德国 肝胆系统肿瘤 ADBoard — 临床决策支持 未知 NCT06735118
（2023-12）中国 脂肪肝（癌症患
者化疗前后）— — MRI影像后处理 招募中 NCT06061328
（2024-02）美国 HCC OASIS决策辅助
工具— 实施策略选择优化 未知 NCT06317181
（2024-04）德国 弥漫性肝病和
FLL— — 超声影像后处理 招募中 NCT06463444
（2024-06）中国 HCC 多模态深度学习
模型— MRI影像分析+数字
病理分析+基因检
测数据融合招募中 NCT06334965
（2024-07）法国 HCC 基于PET-MRI的
多模态影像AI— MRI影像分析 招募中 NCT06888310
（2024-12）意大利 cACLD（NAFLD） AI模型融合组学
数据— 多模态数据融合 招募中 NCT06859840
（2025-03）中国 HCC LIDAR model — CT影像分析 尚未招募 NCT06944353
（2025-09）美国 MASLD STIRRED CDSS — 自然语言处理，电子
健康记录分析尚未招募 无（不详） 中国 HCC M-RCNN — 超声影像分析 Zhang等［10］ 无（不详） 韩国 HCC POEM CDSS — AI辅助个体化管理 Kang等［11］ AI辅助型临床试验 NCT03449446
（2018-03）美国、加拿大、
澳大利亚、中国、
新西兰肝纤维化/肝硬
化（NASH）PathAI FDA 510（k）
K212361（2022）数字病理分析 Loomba等［12］ NCT06311916
（2024-05）中国 HCC New-adj-Net — MRI影像分析+数字
病理分析+基因检
测数据融合尚未招募 NCT06420440
（2024-06）中国 HCC New-adj-Net — MRI影像分析+数字
病理分析+基因检
测数据融合招募中 NCT05669339
（2024-12）美国 HCC PPM — 药物剂量个体化
调整暂停（期中分析） 无（不详） 美国 PBC AIMS — 个体化药物剂量
管理McMichael等［13］ 注：“—”表示无相关数据。cACLD，代偿期晚期慢性肝病；FDA，美国食品药品监督管理局；HCC，肝细胞癌；MAFLD/MASLD，代谢相关脂肪性肝病/代谢功能障碍相关脂肪性肝病；NAFLD，非酒精性脂肪性肝病；NASH，非酒精性脂肪性肝炎；PET，正电子发射断层显像术；PBC，原发性胆汁性胆管炎；WBDT，全身数字孪生；FLL，肝脏局灶性病变。
下载: 导出CSV
表 2 AI验证型或AI辅助型肝病临床试验的设计要点
Table 2. Key design elements of AI-validated or AI-assisted clinical trials in liver diseases
试验类型及试验注册号 随机化方法 盲法 样本量
（预期/实际）试验组 对照组 AI算法 AI验证型临床试验 NCT04722120（2016-06） 区组随机 双盲 68/68 低剂量CT+IMR重建+
DL-CB算法后处理标准剂量CT+IMR
重建CNN NCT03448757（2018-02） 非随机 开放标签 60/— HCC患者 健康志愿者 — NCT06526754（2019-01） 简单随机 四盲 —/64 基于实体3D打印模型
进行术前规划基于AI辅助分割+
人工修正的数字模拟
进行术前规划深度学习 NCT03917017（2019-01） 单臂试验 开放标签 100/— 放射组学+IBM Watson
AI辅助决策组无 — NCT04180631（2019-03） 单臂试验 开放标签 —/124 使用QUS检测肝脂肪 无 深度学习 NCT04027556（2019-06） 区组随机 双盲 90/90 基于LBW的低对比
剂量标准对比剂量 DLD NCT04024514（2019-12） 区组随机 双盲 52/52 低碘量（300 mgI/kg）+
深度学习图像增强常规碘量
（525 mgI/kg）+混合迭
代重建CNN NCT04083378（2020-01） Pocock-Simon动
态最小化
随机单盲 107/50 使用基于AI的辅助软件
对消融边界进行定量
评估传统视觉方法手动评
估消融边界— NCT04462562（2020-07） 单臂试验 开放标签 173/173 2D CNN深度学习模型
计算USFFMRI PDFF 2D CNN NCT04463667（2020-08） — — 100/80 autoWLFatQ MRS和avePDFF 自动肝脏分
割算法CTRI/2020/08/027072（2020-10） 区组随机 开放标签 700/319 数字治疗组 标准护理组 GBDT，
DLNN，E-
SLSTMTCTR20201230003（2020-12） 交叉随机 双盲 309/504 使用AI辅助进行超声
检查不使用AI辅助
进行超声检查CNN NCT05804799（2021-01） — 单盲 300/296 使用单管B（33%标准剂
量）扫描数据，通过
ClariCT.AI进行图像
重建使用双源CT扫描（管
A+B，标准剂量），图像
通过高级模型迭代
重建DLD NCT04579874（2021-01） 单臂试验 开放标签 —/241 LIVERFASt 无 — NCT04843176（2021-03） 简单随机 单盲 250/— Prototype AI algorithm 由2位腹部放射科专
家依据LI-RADS标准
独立评估Prototype AI NCT04802954（2021-09） 非随机 开放标签 —/400 肝细胞癌结节>1 cm的
患者，视频采集无肝癌患者，随访1年
确认无新结节，视频
采集CNN
下载: 导出CSV
Table . （continued）
试验类型及试验注册号 随机化方法 盲法 样本量
（预期/实际）试验组 对照组 AI算法 NCT05182099（2022-01） 非随机 单盲 52/— 使用AIRTM对Gd-EOB-
DTPA增强肝脏MRI图像
进行重建使用传统的图像重建
算法对Gd-EOB-DTPA
增强肝脏MRI图像
进行重建深度学习 NCT05676177（2023-01） 单臂试验 开放标签 150/— 采用超低剂量CT和MRI
同时扫描的受试者无 深度学习 NCT05782283（2023-04） 区组随机化 开放标签 400/— 使用ACE 2.0模型进行早期
肝硬化检测并提醒医生常规护理组 CNN NCT06626087（2023-11） 简单随机 单盲 250/— Prototype AI algorithm 由至少10年经验的腹
部影像专科医师依据
LI-RADS标准评估— NCT05681949（2023-11） 简单随机 单盲 1 200/— 肿瘤委员会使用ADBoard 肿瘤委员会不使用
ADBoard— NCT06735118（2023-12） 简单随机化 双盲 120/— 接受化疗癌症患者 不接受化疗癌症患者 深度学习 NCT06061328（2024-02） 整群随机 开放标签 8 020/— 基于机器学习的OASIS
决策辅助工具的医疗中心基于专家意见的现有
决策辅助工具的医疗
中心机器学习 NCT06317181（2024-04） 非随机 开放标签 200/— 超声射频数据采集 弹性成像数据采集 深度学习 NCT06463444（2024-06） 单臂试验 开放标签 30/— HAIC+替雷利珠单抗+仑伐
替尼联合治疗无 多模态深度
学习NCT06334965（2024-07） 单臂试验 开放标签 180/— PET-MRI多模态成像 无 — NCT06888310（2024-12） 单臂试验 开放标签 408/— MASLD且肝硬度测定LSM≥
10 kPa的患者，
进行额外血液采样无 — NCT06859840（2025-03） 简单随机 单盲 10 000/— LIDAR AI辅助诊断 常规影像诊断 — NCT06944353（2025-09） 阶梯式楔
形集群随机开放标签 4 704/— 使用CDSS在急诊科提示
医生通知患者并提供随访
推荐常规护理，无特定干预 机器学习+
自然语言处
理无（不详） 简单随机 双盲 —/100 多模态组（联合彩色多普勒
超声检查+超声造影+超声
弹性成像检查进行诊断）彩色多普勒超声检查
进行诊断；超声造影进
行诊断；超声弹性成像
检查进行诊断M-RCNN 无（不详） — 双盲 38/40 护士接受POEM CDSS
系统+自学手册护士仅接受自学手册 RF AI辅助型临床试验 多模态深度
学习NCT03449446（2018-03） 区组随机 双盲 350/392 selonsertib、cilofexor、
firsocostat单药治疗及
两两联合安慰剂 CNN NCT06311916（2024-05） 简单随机 开放标签 312/— HAIC+替雷利珠单抗+仑伐
替尼+肝切除直接肝切除 AI辅助型临
床试验NCT06420440（2024-06） 简单随机 开放标签 160/— 术前：HAIC+替雷利珠
单抗+仑伐替尼；术后：
替雷利珠单抗术后：替雷利珠单抗 多模态深度
学习NCT05669339（2024-12） 顺序分配 开放标签 12/— 索拉非尼、索尼得吉、伊立
替康3种药物组合，按3+3
剂量递增设计分配剂量无 — 无（不详） 区组随机 — —/20 中、高浓度他克莫司 低浓度他克莫司 — 注：“—”表示无相关数据。autoWLFatQ，自动化全肝脂肪定量；avePDFF，平均质子密度脂肪分数；CDSS，临床决策支持系统；CNN，卷积神经网络；DL-CB，基于深度学习的碘对比增强算法；DLD，基于深度学习的去噪算法；DLNN，深度学习神经网络；E-SLSTM，扩展序列长短期记忆网络；GBDT，梯度提升决策树；HAIC，肝动脉灌注化疗；LBW，去脂体质量；LI-RADS，肝脏影像报告和数据系统；LSM，肝硬度值；MASLD，代谢相关脂肪性肝病；M-RCNN，基于掩模区域的卷积神经网络分割算法；OASIS，优化实施策略选择的方法；PDFF，质子密度脂肪分数；POEM CDSS，栓塞后综合征管理临床决策支持系统；QUS，定量超声；USFF，超声脂肪分数；IMR，迭代模型重建；MRS，磁共振波谱成像；RF，随机森林。
下载: 导出CSV
表 3 AI临床试验中涉及伦理与合规的相关规范
Table 3. Principal ethical and regulatory frameworks for AI in clinical trials
规范名称（发布时间） 适用范围 核心内容 WHO： Ethics and governance of artificial intelligence for
health （2024）健康领域临床研究与试验
中AI工具的开发和应用透明度、公平性、数据隐私、受试者
自主权FDA： Proposed Framework for Modifications to Artificial
Intelligence/Machine Learning （Ai/Ml）-Based Software as A
Medical Device （SAMD） （2019）AI软件在临床试验及医疗
应用中的开发、验证和修改风险管理、软件生命周期管理、模型
修改的监管要求、确保可信度EMA： Reflection paper on the use of artificial intelligence
（AI） in the medicinal product lifecycle （2023）药物研发及临床试验中AI的
应用，包括设计、验证和监管透明性、可解释性、合规要求、监管
及验证指导FUTURE-AI： International consensus guideline for
trustworthy and deployable artificial intelligence in
healthcare （2023）医疗AI开发与应用全过程，
尤其适用于临床试验阶段的
设计、验证和部署6项核心原则（公平性、普适性、可追
溯性、可用性、稳健性、可解释性）
+28项最佳实践
下载: 导出CSV
表 4 AI医学研究报告与方法学规范
Table 4. Reporting and methodological standards for AI-based medical studies
规范名称（发布时间） 适用范围 适用的临床研究类型 CONSORT-AI（2020） AI相关临床试验结果报告规范 随机对照试验（AI作为干预或辅助工具） SPIRIT-AI（2020） AI相关临床试验方案撰写与报告规范 随机对照试验（AI作为干预或辅助工具） MINIMAR（2020） 医学AI研究最低报告要求及其跨领域补充 各类早期AI临床研究的基本标准 DECIDE-AI（2022） AI决策支持系统的早期临床研究报告规范 可行性研究 TRIPOD+AI（2024） 个体预后或诊断多变量预测模型透明报告规范——AI扩展 个体层面的多变量预测模型研究 CLAIM（2024更新） 医学影像AI研究透明度与可重复性规范 影像学AI研究 STARD-AI（制定中） AI诊断准确性研究报告规范 AI诊断准确性评价研究 QUADAS-AI（制定中） AI诊断准确性研究的偏倚风险评估工具 AI诊断研究的方法学质量评价 PROBAST+AI（制定中） AI预测模型研究的偏倚风险与适用性评估 AI模型研究的方法学质量评价 注：数据来源于EQUATOR Network（
https：//www.equator-network.org/ ）。
下载: 导出CSV
-
[1] KANG HJ, LEE JM, AHN C, et al. Low dose of contrast agent and low radiation liver computed tomography with deep-learning-based contrast boosting model in participants at high-risk for hepatocellular carcinoma: Prospective, randomized, double-blind study[J]. Eur Radiol, 2023, 33( 5): 3660- 3670. DOI: 10.1007/s00330-023-09520-4. [2] BAE JS, LEE JM, KIM SW, et al. Low-contrast-dose liver CT using low monoenergetic images with deep learning-based denoising for assessing hepatocellular carcinoma: A randomized controlled noninferiority trial[J]. Eur Radiol, 2023, 33( 6): 4344- 4354. DOI: 10.1007/s00330-022-09298-x. [3] YOON JH, PARK JY, LEE SM, et al. Renal protection CT protocol using low-dose and low-concentration iodine contrast medium in at-risk patients of HCC and with chronic kidney disease: A randomized controlled non-inferiority trial[J]. Cancer Imaging, 2023, 23( 1): 100. DOI: 10.1186/s40644-023-00616-0. [4] ODISIO BC, ALBUQUERQUE J, LIN YM, et al. Software-based versus visual assessment of the minimal ablative margin in patients with liver tumours undergoing percutaneous thermal ablation(COVER-ALL): A randomised phase 2 trial[J]. Lancet Gastroenterol Hepatol, 2025, 10( 5): 442- 451. DOI: 10.1016/S2468-1253(25)00024-X. [5] JEON SK, LEE JM, JOO I, et al. Two-dimensional convolutional neural network using quantitative US for noninvasive assessment of hepatic steatosis in NAFLD[J]. Radiology, 2023, 307( 1): e221510. DOI: 10.1148/radiol.221510. [6] WU CH, YEN KC, WANG LY, et al. Automated whole-liver fat quantification with magnetic resonance imaging-derived proton density fat fraction map: A prospective study in Taiwan[J]. Gut Liver, 2025, 19( 4): 617- 626. DOI: 10.5009/gnl240408. [7] JOSHI S, SHAMANNA P, DHARMALINGAM M, et al. Digital twin-enabled personalized nutrition improves metabolic dysfunction-associated fatty liver disease in type 2 diabetes: Results of a 1-year randomized controlled study[J]. Endocr Pract, 2023, 29( 12): 960- 970. DOI: 10.1016/j.eprac.2023.08.016. [8] TIYARATTANACHAI T, APIPARAKOON T, CHAICHUEN O, et al. Artificial intelligence assists operators in real-time detection of focal liver lesions during ultrasound: A randomized controlled study[J]. Eur J Radiol, 2023, 165: 110932. DOI: 10.1016/j.ejrad.2023.110932. [9] LEE DH, LEE JM, LEE CH, et al. Image quality and diagnostic performance of low-dose liver CT with deep learning reconstruction versus standard-dose CT[J]. Radiol Artif Intell, 2024, 6( 2): e230192. DOI: 10.1148/ryai.230192. [10] ZHANG YM, CUI J, WAN W, et al. Multimodal imaging under artificial intelligence algorithm for the diagnosis of liver cancer and its relationship with expressions of EZH2 and p57[J]. Comput Intell Neurosci, 2022, 2022: 4081654. DOI: 10.1155/2022/4081654. [11] KANG M, KIM MS. Managing postembolization syndrome through a machine learning-based clinical decision support system: A randomized controlled trial[J]. Comput Inform Nurs, 2024, 42( 11): 817- 828. DOI: 10.1097/CIN.0000000000001188. [12] LOOMBA R, NOUREDDIN M, KOWDLEY KV, et al. Combination therapies including cilofexor and firsocostat for bridging fibrosis and cirrhosis attributable to NASH[J]. Hepatology, 2021, 73( 2): 625- 643. DOI: 10.1002/hep.31622. [13] MCMICHAEL J, LIEBERMAN R, MCCAULEY J, et al. Computer-guided randomized concentration-controlled trials of tacrolimus in autoimmunity: Multiple sclerosis and primary biliary cirrhosis[J]. Ther Drug Monit, 1996, 18( 4): 435- 437. DOI: 10.1097/00007691-199608000-00021. [14] FENG SJ, WANG JH, WANG LH, et al. Current status and analysis of machine learning in hepatocellular carcinoma[J]. J Clin Transl Hepatol, 2023, 11( 5): 1184- 1191. DOI: 10.14218/JCTH.2022.00077S. [15] CALDERARO J, ŽIGUTYTĖ L, TRUHN D, et al. Artificial intelligence in liver cancer: New tools for research and patient management[J]. Nat Rev Gastroenterol Hepatol, 2024, 21( 8): 585- 599. DOI: 10.1038/s41575-024-00919-y. [16] GHOSH S, ZHAO X, ALIM M, et al. Artificial intelligence applied to’omics data in liver disease: Towards a personalised approach for diagnosis, prognosis and treatment[J]. Gut, 2025, 74( 2): e331740. DOI: 10.1136/gutjnl-2023-331740. [17] CALDERARO J, SERAPHIN TP, LUEDDE T, et al. Artificial intelligence for the prevention and clinical management of hepatocellular carcinoma[J]. J Hepatol, 2022, 76( 6): 1348- 1361. DOI: 10.1016/j.jhep.2022.01.014. [18] MATTHAY EC, NEILL DB, TITUS AR, et al. Integrating artificial intelligence into causal research in epidemiology[J]. Curr Epidemiol Rep, 2025, 12( 1): 6. DOI: 10.1007/s40471-025-00359-5. [19] CLUSMANN J, BALAGUER-MONTERO M, BASSEGODA O, et al. The barriers for uptake of artificial intelligence in hepatology and how to overcome them[J]. J Hepatol, 2025 DOI: 10.1016/j.jhep.2025.07.003.[ Online ahead of print] -
本文二维码
表(6)
计量
- 文章访问数: 4
- HTML全文浏览量: 4
- PDF下载量: 3
- 被引次数: 0
