人工智能辅助液体活检在肝细胞癌早诊早筛中的应用进展与展望2026

人工智能辅助液体活检在肝细胞癌早诊早筛中的应用进展与展望01CONTENTS020304传统筛查局限与新技术方向液体活检核心生物标记物AI优化分析与多模态整合面临挑战与未来展望传统筛查局限与新技术方向超声联合AFP筛查敏感度不足蛋白标记物模型难以捕捉早期分子事件ctDNA突变检测存在含量低与异质性高难题当前国内外指南推荐的早期肝细胞癌筛查方案为超声联合甲胎蛋白检测，但其对早期HCC的检出敏感度有限，多数患者确诊时已进入中晚期，错失根治性治疗机会，凸显现有常规筛查手段的局限性。尽管GALAD等多变量预测模型整合了蛋白标记物，但由于肿瘤发生伴随复杂的基因组演化，仅依赖蛋白标志物仍难以有效识别极早期肿瘤的微弱分子信号，限制了早筛性能的进一步提升。基于ctDNA致病基因突变的早筛策略面临早期肿瘤ctDNA含量极低（常不足总cfDNA的0.1%）及突变谱患者间高度异质的问题，缺乏通用靶点，导致早期检测敏感度受限。现有方法敏感度有限ctDNA多维度特征提升早诊潜力CTCs与EVs提供多组学互补信息液体活检实现无创动态监测ctDNA不仅携带基因突变信息，更包含DNA甲基化与片段组学特征。甲基化在癌症早期出现频率高且具组织特异性，多基因联合检测可显著提升敏感度；片段组学通过分析cfDNA长度、末端序列等差异，能无创捕捉肿瘤信号，为HCC早期诊断提供多维分子依据。CTCs作为完整肿瘤细胞，可提供DNA、RNA及蛋白层面的多组学信息，并可通过表型鉴定评估转移风险。EVs则携带稳定性高的核酸（如miRNA）及表面蛋白，能反映早期肿瘤分子变化，二者与ctDNA形成互补，拓宽了液体活检的标记物来源。液体活检通过血液检测ctDNA、CTCs和EVs，避免传统组织活检的侵入性与滞后性。它能够持续追踪肿瘤基因组、转录组等分子演变，适用于早期诊断、疗效评估及复发监控，为HCC全程管理提供无创、实时的分子工具。液体活检提供新途径010302AI模型整合cfDNA甲基化谱、血清蛋白标志物（如AFP）及人口学特征，构建多模态模型。例如HelioLiverTest融合28个基因甲基化与三项血清蛋白，其AUC达0.944，显著优于单一标志物，实现了对早期HCC的高精度检测。AI通过整合CT影像组学特征与ctDNA基因变异数据，构建多模态诊断模型。如GBCseeker模型结合影像定量参数与基因变异，诊断效能超越单一模态，为消化系统肿瘤提供了无创诊断新方法。基于多模态数据的AI模型已开展大规模前瞻性临床试验验证。例如CLiMB研究纳入近2000例患者，证明多模态模型敏感度与特异度均优于超声联合AFP，展现了其临床转化的可行性与价值。AI整合液体活检与血清蛋白等多模态数据提升诊断性能AI融合影像组学与液体活检优化无创诊断多模态AI模型通过前瞻性临床试验验证临床转化潜力AI整合多模态数据液体活检核心生物标记物文章指出，在液体活检的三大核心靶标（ctDNA、CTCs及EVs）中，ctDNA在临床转化方面最为成熟。它通过检测血液中肿瘤释放的游离DNA片段，能够无创反映肿瘤的遗传和表观遗传信息，已广泛应用于早期诊断、实时监测和复发监控。ctDNA是临床转化最成熟的液体活检靶标ctDNA在HCC早期诊断中的应用主要围绕三个层面展开：检测致病基因突变（如TERT启动子突变）、分析DNA甲基化（如SEPT9基因），以及研究片段组学特征（如片段长度、末端序列）。其中甲基化和片段组学因早期信号强、组织特异性高而成为研究焦点。ctDNA检测聚焦突变、甲基化与片段组学三大方向尽管ctDNA临床应用成熟，但其在早期筛查中仍存在明显局限。早期肿瘤释放的ctDNA含量极低（常不足总cfDNA的0.1%），且基因突变谱在患者间高度异质，缺乏通用靶点，这限制了单纯依赖突变检测的早筛策略的敏感性。ctDNA检测仍面临低丰度与高度异质性等局限ctDNA临床应用成熟010203循环肿瘤细胞（CTCs）是进入血液的完整肿瘤细胞，可同时提供DNA、RNA及蛋白质层面的多组学信息。相较于ctDNA仅携带核酸片段，CTCs能更全面地揭示肿瘤的分子特征，为早期诊断提供更丰富的生物学依据。CTCs在外周血中丰度极低，制约了检测敏感度。随着CellSearch系统及微流控芯片等富集技术的改进，检测效能逐步提升。例如，采用多抗体联合的NanoVelcro平台能在绝大多数HCC病人中成功检出CTCs。对CTCs进行上皮-间充质转化（EMT）等表型鉴定，可更精准评估肿瘤的侵袭转移风险。研究发现，表达波形蛋白的间质型CTCs亚群能区分早期与晚期肝细胞癌，为预后判断提供了重要信息。CTCs携带多组学生物信息CTCs富集技术提升检测效能CTCs表型鉴定评估转移风险CTCs提供多组学信息EVs作为核酸的理想载体EVs中非编码RNA的调控价值EVs表面蛋白的辅助诊断潜力细胞外囊泡（EVs）是由细胞释放的纳米级脂质双层囊泡，其内部携带的核酸分子（如miRNA）受到脂质膜的保护，稳定性极高，不易被降解。这使EVs能够完整保留并反映母细胞的分子特征，成为液体活检中极具前景的生物标记物载体，尤其适用于捕捉早期肿瘤的微弱信号。EVs天然富集多种非编码RNA，特别是miRNA，这些分子在肝细胞癌（HCC）的发生发展中发挥关键调控作用。例如，EVs内的miR-122等肝脏特异性miRNA的水平变化常早于临床症状出现，具有早期预警价值，为HCC的无创早期诊断提供了新的分子靶标。除了内部核酸，EVs表面蛋白如磷脂酰肌醇蛋白聚糖1（GPC1）也被发现是潜在的肝细胞癌诊断标记物。这些表面蛋白可作为EVs来源或功能的指示，结合其携带的核酸信息，为HCC液体活检提供了多层面的生物标记物探索方向，有助于提升诊断的全面性与准确性。EVs携带稳定核酸分子AI优化分析与多模态整合早期HCC病人血液中ctDNA浓度极低，目标信号易被背景噪声掩盖。AI算法通过整合多维特征，能够有效识别并放大极低丰度的肿瘤信号，显著提升检测的敏感度与特异度，突破传统检测的技术限制。如DeepTrace模型采用Transformer架构，通过自监督预训练学习全基因组甲基化通用特征，再针对HCC微调，整合多个CpG位点信息，能在临床确诊前数年识别极低丰度ctDNA，实现极早期HCC的精准检测。ACID模型摒弃传统序列对比，将原始测序数据作为输入文本进行训练，利用注意力机制定位关键序列，并通过非负矩阵分解解码特征，为低丰度ctDNA片段组学分析提供了高灵敏度、可解释的创新方法。AI算法克服液体活检低信噪比瓶颈深度学习模型实现极早期HCC信号捕获生成式语言模型创新片段组学分析范式AI提升低丰度信号检测AI通过深度学习模型（如STIC）分析多期增强CT的时空特征，能有效区分肝细胞癌、胆管细胞癌及转移性肝癌，提升医生对不典型病灶的诊断敏感度，辅助影像判读。影像组学在HCC鉴别诊断中的应用基于数字病理与卷积神经网络，AI模型可对HCC、异型增生结节等七类肝脏病变进行定量分析，其诊断准确率可达亚专科专家水平，实现病理形态的客观评估。病理组学实现肝脏结节智能分类整合ctDNA、影像组学、病理组学及血清标记物的多模态AI模型，通过集成学习显著提升HCC早期诊断效能，其性能优于单一模态，是迈向临床转化的重要方向。多模态融合模型提升早诊性能融合影像病理组学特征010203多模态数据融合显著提升诊断准确性AI整合多模态特征克服早期检测瓶颈前瞻性临床验证展现多模态模型转化潜力文章指出，将液体活检数据与影像组学、血清蛋白标记物等多模态信息整合，能显著提高早期肝细胞癌的诊断性能。例如，HelioLiverTest模型融合cfDNA甲基化谱与临床指标，其AUC达0.944，优于单一指标。AI算法通过融合影像、病理、液体活检等多维度特征，能够捕捉早期肝癌的微弱信号。例如，GBCseeker模型整合基因变异、CT影像组学和临床数据，诊断效能优于单一模态，为无创早筛提供了新方法。多模态AI模型已在多中心前瞻性临床试验中验证其临床价值。如CLiMB研究招募1968例患者，证明模型敏感度和特异度优于传统超声联合AFP检测，展现了从实验室向临床推广的潜力。多模态模型提升诊断性能面临挑战与未来展望数据标准化与可解释性数据标准化缺失阻碍多中心整合算法可解释性不足影响临床信任批次效应与技术偏倚降低模型稳健性文章指出，跨平台、跨中心的液体活检数据因缺乏全球公认的标准化操作规程而无法直接比较或整合。这种数据异质性易导致AI模型将技术差异误判为生物学信号，从而在外部验证时性能下降，制约了多模态模型的临床转化与推广。深度学习模型虽在分类任务中表现优异，但其“黑箱”特性使临床医生难以理解诊断逻辑。缺乏明确病理或生理依据的可解释性，会阻碍模型融入临床决策，因此需借助SHAP、注意力机制等技术提升AI的可解释性与可信度。当训练集与验证集来源于不同检测体系或中心时，AI模型易受批次效应或技术偏倚干扰，误将技术性差异视为真实信号。采用经验贝叶斯框架等方法校正数据，是消除偏倚、提升模型泛化能力的关键步骤。文章指出，许多现有AI模型基于小样本、回顾性的封闭数据开发，其性能在真实世界早期病人或跨地区人群中可能下降。因此，必须开展大规模、多中心、前瞻性的临床验证，以确保模型的临床转化潜力与真实世界指导价值。跨平台、跨中心的数据存在标准化缺失与技术偏倚，易导致模型在外部验证时性能下降。通过多中心前瞻性验证，并采用如联邦学习等隐私保护技术，能消除数据异质性，增强模型在不同高危人群中的泛化能力与可靠性。液体活检结合AI的成本较高，且假阳性可能引发不必要的侵入检查。前瞻性多中心验证能全面评估模型的卫生经济学效益，平衡诊断效果与成本，为设计普惠性筛查策略提供依据，推动其向个体化、精准化临床推广。当前模型多基于小样本回顾性数据，亟需大规模前瞻性验证多中心验证可克服数据异质性与技术偏倚，提升模型泛化能力前瞻性验证有助于评估卫生经济学效益与临床可行性需多中心前瞻性验证010203AI可通过深度挖掘低覆盖度测序数据或整合多模态特征，在保持高敏感度的同时降低对昂贵深度测序的依赖。例如DELFI模型利用低覆盖度全基因组测序结合机器学习，以较低成本实现HCC筛查，为普惠性早筛提供可能。面对庞大筛查基数时，微小假阳性率也会导致大量不必要的