一种新型AI模型PLAN-B-DF成功开发，可提升慢性乙型肝炎（CHB）患者肝细胞癌（HCC）风险预测的准确性。与依赖临床和人口统计数据的传统模型不同，PLAN-B-DF通过深度学习算法DeepFore对腹部CT扫描进行自动分割，提取影像生物标志物，并采用梯度提升机器学习技术分析临床与影像变量的复杂关联。
该模型基于5,585例患者的大型队列进行训练和内部验证，并在2,883例患者中完成外部验证。模型整合6个CT影像生物标志物（包括脂肪分布、脾脏及肝脏体积、肌肉密度）和8个临床变量，内部验证与外部验证的c指数分别达到0.91和0.89，显著优于PLAN-B、PAGE-B和CU-HCC等现有模型（c指数0.65-0.78）。
PLAN-B-DF展现出强大的校准能力与实用价值，通过将患者划分为四个风险等级，10年肝癌发生率呈现明显分层：极低风险组0.0%、低风险组0.4%、中风险组16.0%、高风险组46.2%。这一成果表明，该模型可通过更早、更精确的风险分层，优化CHB患者的个性化监测策略。
本研究标志着预测医学的重要进展，展示了机器学习与医学影像结合带来的临床转化潜力。通过提升肝细胞癌风险预测能力，PLAN-B-DF为慢性乙型肝炎患者的精准监测和早期干预提供了新工具，有望改善临床治疗结果。
参考文献
Shin H等. 基于CT影像生物标志物的AI模型预测慢性乙型肝炎患者肝细胞癌风险. J Hepatol. 2025;82(6):1080-8.
【全文结束】
