Hepatology International｜經頸靜脈肝內門體分流術后顯性肝性腦病發生的預測：一項基于3D自動化肝脾評估的多中心研究

經頸靜脈肝內門體分流術（TIPS）是治療門靜脈高壓并發癥（例如靜脈曲張出血和難治性腹水）的替代方法之一，該方法為在門靜脈和肝靜脈之間建立人工通道。然而，美國、中國和歐洲指南均推薦將內鏡治療和穿刺術治療等姑息療法作為門靜脈高壓的一線治療方法，主要原因是TIPS術后顯性肝性腦病（HE）的高發率及易復發性，以及對患者的生活質量產生負面影響并增加病死率。

一些臨床和生物學指標與顯性HE 發生有關，如Child-Pugh評分和IL-6水平。近來傳統的計算機斷層掃描（CT）成像在肝硬化相關疾病中引起了關注。一些研究者研究肝臟的形態學評估，如肝臟表面結節性評分（2D 層面）。然而，相較于2D評估，3D評估可有效避免層面選擇及代表性導致的偏倚，具有潛在優勢。而且深度學習方法已廣泛用于醫學圖像分割任務，其中nnU-Net在許多分割任務中取得了優秀的性能。因此，通過nnU-Net可以實現3D肝臟和脾臟自動分割，提取形態學特征和高維特征，進而構建一個高精度模型來預測TIPS術后顯性HE發生值得探究。

來自暨南大學附屬珠海醫院的陸驪工等的研究旨在構建一個基于3D自動肝脾評估的模型來預測TIPS后顯性HE的發生。該研究納入2012年1月—2021年1月期間接受TIPS治療的5家醫院的487例患者，隨訪截止時間為2022年7月，其中152例患者發生顯性HE。結合LASSO（最小絕對收縮法和算子法）、SVM（支持向量機）和保序回歸進行概率校準，構建了臨床模型、2D模型、3D模型和綜合模型4個預測模型，并比較4個模型之間的區分度和校準度來確定最佳模型，后進行亞組分析。結果顯示：（1）3D模型比2D模型表現出更好的區分度（訓練集AUC：0.719 vs 0.691；驗證集AUC：0.730 vs 0.622）；（2）綜合模型（臨床與3D 指標結合）優于單一的臨床或3D 模型（訓練集AUC：0.802 vs 0.735 vs 0.719；驗證集AUC：0.816 vs 0.723 vs 0.730，P＜0.050）；（3）驗證綜合模型效果，發現綜合模型具有最佳的校準效果。并且最佳模型的性能不受總膽紅素水平（總膽紅素＜18.9 vs 總膽紅素≥18.9∶0.832 vs 0.802，P=0.478）、Child-Pugh 評分（Child-Pugh 評分＜8 vs Child-Pugh 評分≥8∶0.830 vs 0.787，P=0.322））、血氨水平（術前血氨＜72.0 vs術前血氨≥72.0∶0.830 vs 0.787，P=0.383）或TIPS 手術原因（靜脈曲張破裂出血 vs 頑固性腹水：0.819 vs 0.820，P=0.995））的影響。構建了綜合模型的小程序，可清楚直觀地顯示低風險和高風險患者發生顯性肝性腦病的風險。

綜上所述，該研究指出3D 自動化肝脾評估為預測顯性HE 提供了額外的信息，從而提高了適宜患者進行TIPS的機會。3D自動化肝脾評估也可用于與肝硬化相關的類似研究。