人工智能辅助液体活检在肝细胞癌早诊早筛中应用进展总结2026

人工智能辅助液体活检在肝细胞癌早诊早筛中应用进展总结2026目前，国内外指南推荐的超声联合甲胎蛋白（AFP）筛查对早期肝细胞癌（hepatocellularcarcinoma，HCC）的检出敏感度有限，多数病人确诊时已失去根治机会［1-3］。尽管近年来涌现出GALAD、ASAP等整合蛋白标记物的多变量预测模型，但由于肿瘤发生涉及复杂的基因组演化，仅依赖蛋白标记物仍难以捕捉极早期的微弱分子事件［4-5］。液体活检与人工智能（artificialintelligence，AI）技术的融合为HCC早期诊断提供了新的探索方向。液体活检通过检测循环肿瘤DNA（circulatingtumourDNA，ctDNA）、循环肿瘤细胞（circulatingtumourcells，CTCs）及细胞外囊泡（extracellularvesicles，EVs）携带的生物活性分子等，可无创揭示早期肿瘤分子特征［6］；而AI算法不仅能克服液体活检中极低丰度信号和背景噪声的技术瓶颈，还能将液体活检数据与多组学特征整合构建多模态模型，有望重塑早诊早筛格局。本文对液体活检主要标记物在HCC诊断中的应用进行梳理，总结AI与液体活检的交叉研究的现实问题和未来趋势。1|HCC液体活检的核心生物标记物HCC的发生发展伴随基因组、转录组、表观遗传组（即在DNA序列不发生改变的情况下，通过对DNA和染色质结构的化学修饰来调控基因表达，如DNA甲基化）的重塑［7］。液体活检检测血液中肿瘤来源的分子或细胞，以非侵入性的方式记录肿瘤特征，避免组织活检的侵入性和滞后性，用于早期诊断、实时监测和复发监控［8］。目前，液体活检的核心靶标包括ctDNA、CTCs及EVs，其中ctDNA在临床转化方面最为成熟［9］。1.1

ctDNA

ctDNA是肿瘤细胞凋亡、坏死或主动分泌释放入外周血循环的游离DNA片段，其携带与原发肿瘤高度相同的遗传、表观遗传信息［6］。ctDNA检测受血液中单倍体基因组拷贝数、变异位点数及检测背景误差率的影响。HCC早期诊断中，ctDNA检测主要研究致病基因突变、DNA甲基化及片段组学特点［10］。1.1.1

致病基因突变

基因突变是恶性肿瘤的本质特征之一，特定驱动基因的体细胞突变往往出现在肿瘤发生的早期阶段［11］。TERT启动子突变在HCC中最常见，甚至在异型增生结节阶段即可检出，被视为极具潜力的早筛标记物［12］。TP53与CTNNB1同样是HCC的关键驱动基因，其中CTNNB1突变与不良预后显著相关［13-14］。然而，基于突变检测的早筛策略存在明显局限，例如，早期肿瘤释放的ctDNA含量极低，常不足总游离DNA（cfDNA）的0.1%，以及突变谱在病人间高度异质，缺乏通用靶点［13,15］。1.1.2

DNA甲基化

与基因突变相比，DNA甲基化在癌症早期出现频率更高，且具有组织特异性，可追溯cfDNA的细胞来源，成为HCC液体活检的研究焦点［16］。Saeki等［17］借助CORD（thecombinedrestrictiondigitalPCR）技术检测，SEPT9甲基化筛查HCC效能优于AFP，并能独立预测分子靶向治疗的预后。多基因甲基化panel进一步提升了诊断性能，HOXA1、EMX1、TSPYL5与B3GALT6联合AFP及AFP-L3后，对早期HCC［巴塞罗那分期（BCLC）0/A期］的敏感度升至71%，显著高于单用AFP的45%［18］。GAMAD模型整合ctDNA甲基化与传统血清标记物及人口学特征，作为GALAD模型的优化替代［19］。COMET-LR模型基于8个HCC特异性甲基化标记物构建，在临床验证中敏感度达90.0%、特异度达97.4%，优于传统评分模型［20］。1.1.3

片段组学特征

片段组学是指cfDNA中肿瘤来源DNA与正常组织DNA在片段化特征上的差异，主要包括片段长度、核小体印记、末端序列基序及拷贝数变异等。血浆cfDNA通常呈现167bp的峰值分布，与核小体结构有关，肿瘤病人cfDNA片段普遍更短，短片段与长片段比值高。核小体定位因细胞类型而异，可反映cfDNA的组织来源。末端序列基序方面，HCC病人血浆DNA中CCCA基序下降明显，AAAA基序升高，与DNASE1L3表达下调有关［21］。基于全基因组片段特征的DELFI模型利用低覆盖度全基因组测序结合机器学习，筛查HCC的敏感度达88%、特异度达98%，费用低于深度测序［22］。而Shen等［23］则在片段组学的基础上构建了名为ACID的生成式语言模型，该模型摒弃了传统的序列对比步骤，将原始测序数据作为输入文本以实现模型训练，并利用注意力机制定位对最终预测结果产生重要影响的序列，最后通过非负矩阵分解（non-negativematrixfactorization，NMF）解码这些序列的特征。结果显示，该模型性能优于HCC现有检测方案。该研究为液体活检提供了一种极具创新性的可解释性全新范式。1.2

CTCs

CTCs是从原发肿瘤或转移灶脱落并进入外周血循环的肿瘤细胞，在肿瘤侵袭转移过程中发挥重要作用。与ctDNA不同，CTCs是完整细胞，可同时提供DNA、RNA及蛋白质层面的多组学信息，还可用于体外培养及药敏试验［24］。然而，CTCs在外周血中丰度极低，10mL血液中通常仅含数个至数十个，制约了其筛查敏感度。随着CellSearch系统及微流控芯片（一种在微米尺度空间对流体进行精确操控从而实现高效分离和富集血液中的极微量细胞的技术平台）等富集技术改进，检测效能逐步提升［25-26］。Court等［27］开发的NanoVelcro平台采用上皮细胞黏附分子（EpCAM）、去唾液酸糖蛋白受体（ASGPR）及磷脂酰肌醇蛋白聚糖3（GPC-3）三联抗体，在97%的HCC病人中成功检出CTCs，诊断效能显著优于单一标记物。该研究还发现表达波形蛋白的间质型CTCs亚群能区分早期与晚期HCC。CTCs的上皮-间充质转化（EMT）表型鉴定可更精准评估侵袭转移风险［28］。1.3

EVs

EVs是细胞释放的纳米级脂质双层囊泡，充当细胞间信息传递的关键媒介，是液体活检中极具前景的生物标记物载体［6］。与易被降解的游离RNA相比，EVs内部核酸因被脂质膜包裹而稳定性极高，可较好呈现母细胞的分子特征［29］。非编码RNA，尤其是miRNA，在HCC演进中发挥关键调控作用［30］。EVs天然富集这些分子，成为理想的检测靶标。EVs中miR-212、miR-122、miR-125b等在HCC病人体内显著失调，其中肝脏特异性miR-122的水平变化常早于临床症状，具有早期预警价值［31-33］。EVs表面蛋白如磷脂酰肌醇蛋白聚糖1（GPC1）同样是潜在的诊断标记物，为HCC液体活检标记物的探索提供了新方向［34］。2、AI辅助液体活检在HCC早期诊断中的应用随着医疗数字化进程加快，AI尤其是机器学习与深度学习算法，在处理高维度、非线性及异构数据方面展现出显著优势。与传统统计方法依赖人工设计特征不同，深度神经网络通过多层非线性变换从原始数据中自动学习抽象表征，能够捕捉数据中的高阶交互和复杂关系，在分类、预测等任务中表现优异［35］。2.1

AI优化液体活检特征分析

液体活检在HCC早筛中作用突出，但早期病人血液中ctDNA浓度极低，信噪比差，目标信号易被背景噪声所掩盖，导致检测敏感度受限［36］。AI算法可有效克服上述技术瓶颈，通过整合多维特征显著提高检测敏感度与特异度。Chen等［37］提出泛癌早筛模型PanSeer，采用半靶向PCR扩增595个基因组区域，结合逻辑回归评估甲基化水平，可在临床确诊前约4年捕获肝癌等5种常见癌的信号。Deng等［38］将无末端修复酶促甲基化测序（NEEM-seq）与自监督预训练结合，提出DeepTrace模型。该模型采用Transformer架构，先在大规模数据集上学习全基因组甲基化的通用特征表征，再针对HCC进行微调，通过整合多个CpG位点及其侧翼序列信息识别极低丰度ctDNA，在130例独立验证队列中实现极早期HCC的精准检测。Guo等［39］建立多位点定量体系HepaAiQ，训练集559例、盲法验证523例的结果均显示该方法稳健可靠。上述研究表明，AI深度挖掘甲基化特征可显著提高早期HCC的检出率。2.2

AI整合多模态数据

单一模态数据对早期诊断的敏感度仍然相对有限，将液体活检数据与血清蛋白标记物、影像组学特征、病理组学特征进行多模态整合，并结合更加复杂的AI算法是提升早期检测性能的新途径。2.2.1

影像组学

医学影像检查贯穿HCC筛查、诊断与分期全过程，但肝脏病灶良恶性特征常彼此重叠，微小病变易被遗漏。AI在图像识别、分割和分类中具有优势［40-41］。Gao等［42］提出深度学习模型STIC，采用时空卷积网络同时提取多期增强CT的空间特征与时序演变规律，在区分HCC、肝内胆管细胞癌（ICC）及转移性肝癌的任务中准确率达72.6%，使临床医生对ICC的诊断敏感度平均提升26.9%。2.2.2

病理组学

组织病理学仍是确诊HCC的金标准，但传统镜检高度依赖病理科医生经验且流程耗时。数字病理学将全切片图像与深度学习结合，使细胞形态、组织结构及微环境的定量分析成为可能［43］。Kiani等［44］开发基于卷积神经网络的辅助诊断工具，显著提高了HCC与ICC的鉴别准确率。Cheng等［45］构建深度学习模型HnAIM，用于区分HCC、异型增生结节、局灶性结节性增生等7种肝脏结节病变，诊断准确率达亚专科专家水平。然而，在无创筛查场景下病理组学数据往往缺失，可通过回顾性收集病理数据构建诊断模型，或训练基于影像组学、血清标记物及液体活检的AI模型预测微血管侵犯等病理特征［46］。2.2.3

多模态融合模型

将液体活检数据与影像学特征、病理学特征及血清生物标记物整合形成多模态数据，可显著提升模型诊断性能。受CancerSEEK采用基因突变与蛋白指标联用于多癌筛查思路的启发［47］，Lin等［48］开发HelioLiverTest模型，以机器学习整合28个基因的cfDNA甲基化谱、人口学特征及AFP/AFP-L3/DCP3项血清蛋白，验证集受试者工作特征曲线（ROC）下面积（AUC）达0.944，优于单用AFP的0.851及GALAD评分的0.899。Qu等［49］采用相似策略，融合cfDNA突变与浓度、AFP、DCP及临床信息，在无症状HBsAg阳性队列中实现HCC早期识别。

此外，整合影像组学、病理组学与液体活检的多模态模型构建同样取得重要进展。Yang等［50］开发GBCseeker诊断模型，采用集成学习算法整合ctDNA靶向测序的基因变异特征、CT影像组学定量参数及临床指标，其诊断效能显著优于单一模态模型，为消化系统肿瘤的无创诊断提供了方法学参考。日本SCRUMMONSTAR-SCREEN研究建立了大规模多模态数据整合分析平台，利用深度卷积神经网络从常规HE染色病理切片中推断分子遗传学特征，并将AI生成的组织病理学分型评分与ctDNA检测状态进行联合建模，显著提升了术后复发风险的预测准确性，为HCC早期诊断及预后评估提供了新的技术范式［51］。

然而，许多模型仍基于小样本、回顾性的封闭数据开发，亟需大规模、多中心、前瞻性的临床验证以使多模态融合模型真正具备临床转化潜力与真实世界指导价值。针对前文提到的HelioLiverTest模型，现已开展名为CLiMB（注册号NCT03694600）的临床研究，共招募来自美国40余家医疗中心的1968例病人，结果显示其敏感度和特异度均优于超声与AFP联合检测［52-53］。此外，Wang等［54］开发了名为MMF的多模态AI检测模型，整合临床指标、外周血免疫标记物（CD56、CD161等）、传统影像组学特征和人工智能算法提取的高维度影像学特征，并进行了招募16个中心的1092例病人的临床试验（注册号NCT06637059），结果显示，在外部验证队列中AUC达到0.915，但仍需进一步开展涉及不同级别和不同地区的多中心前瞻性验证。这些临床试验取得的成果证明了多模态AI早诊早筛模型的临床转化潜力。

综上所述，AI可以全面整合多组学信号，克服ctDNA低丰度的缺点，构建更稳健的早筛模型。但需要兼顾多模态检测带来的诊断效果提升与检测成本上升，以确保临床推广的可行性与可及性。多模态AI模型全面整合液体活检数据、影像组学特征、病理组学特征、血清生物标记物，是扩展早期检测方法可能性、迈向临床转化的新兴途径，有望重塑HCC早诊早筛的格局。3、挑战与展望AI赋能的液体活检虽然能够为HCC早诊早筛带来巨大的潜力，但从实验室验证到大规模的临床推广依然存在问题，其中包括数据标准化缺失、算法可解释性不足、临床验证体系不完善及卫生经济学评估等。制约液体活检临床转化的关键问题之一是缺乏全球公认的标准化操作规程［55］。跨平台、跨中心的数据往往无法直接比较或整合［56］。深度学习模型训练过程中，若训练集与验证集来源于不同中心或采用不同检测体系，模型易将技术性差异误判为生物学信号，导致外部验证时性能显著下降，即为批次效应或技术偏倚。因此，建立统一的质控标准和数据共享协议是消除数据异质性、推动多模态大模型临床转化的先决条件。还可在数据预处理阶段采用经验贝叶斯框架的ComBat及其衍生族以降低技术偏倚造成的影响［57-58］。