研究亮点
– 构建了一套基于人工智能（Artificial Intelligence, AI）的自动化三维（3D）肝脏建模流程，可整合术前CT扫描中的器官、肿瘤和血管分割结果。
– 提出“肝中央区（Hepatic Central Zone, HCZ）”作为评估肝切除复杂度的新型解剖参照框架。
– 该AI模型预测术中肝切除复杂度（Liver Resection Complexity, LRC）的准确性和曲线下面积（Area Under the Curve, AUC）均高于仅依赖CT影像的有经验外科医生。
– 这一新的AI工具有望改善手术规划、优化患者转诊，并可能降低肝癌手术相关的发病率和死亡率。
研究背景
肝切除术（Liver Resection, LR）仍然是原发性肝癌患者，尤其是肝细胞癌（Hepatocellular Carcinoma, HCC）患者的根治性治疗基石。尽管近年来取得进展，LR仍与较高的发病率和死亡率相关，这反映出肝脏解剖结构及肿瘤与血管关系的复杂性。传统的LR复杂度分级往往忽视特定疾病相关的三维（3D）解剖变异，限制了术前风险分层。若能在术前准确预测肝切除复杂度（LRC），将有助于制定个体化手术方案，并将患者及时转诊至专科中心，从而改善临床结局。
研究设计
本研究纳入145例接受肝切除术的肝细胞癌患者。对其术前计算机断层扫描（Computed Tomography, CT）图像进行基于深度学习的分割，以生成肝脏、肿瘤和血管的三维模型。研究在这些模型中自动勾画了肝中央区（HCZ）——一个以关键肝脏血管和胆道结构为中心的解剖参照区域。研究者结合外科医生关于影响LRC的相关解剖因素的专业判断，对肿瘤相对于HCZ的位置进行量化。随后，利用这些数据训练机器学习模型，以预测术中由外科医生标注的LRC。之后，将该模型的表现与外科医生仅基于术前CT图像所作的复杂度预测进行比较。
主要发现
该自动三维重建流程在公开基准数据集上表现稳健，能够可靠地分割肝脏解剖结构、肿瘤及血管结构。算法可在多种不同及非典型血管解剖类型中成功生成HCZ模型，平均Dice相似系数为82±4.6%，提示其对解剖细节具有较高的捕捉准确性。
将该流程应用于临床队列后，训练完成的AI模型预测LRC的准确率为79.4±3.4%，曲线下面积（AUC）为85.1±3.2%。这些预测指标优于经验丰富外科医生仅依据传统CT判读、且未借助三维建模时所做的个人判断及一致性评估。
值得注意的是，该AI工具可在无需人工干预的情况下实现有效自动化，从而可持续、快速地生成患者特异性肝脏模型及LRC预测结果。这表明其在常规临床流程中具有较高应用潜力。
专家点评
将肝中央区（HCZ）创新性地用作参照框架，是将复杂肝脏解剖转化为可操作手术风险数据的重要进展。该AI模型之所以具有较高预测性能，可能在于其能够整合肿瘤位置、血管解剖以及肝切除范围之间的细微空间关系，而这些因素往往超出单纯人工判断的能力范围。
尽管前景可观，仍需在多中心队列中开展外部验证，以确认其泛化能力。若能与临床及生化参数相结合，预测准确性或可进一步提高。另一个重要问题是，尚需前瞻性评估AI辅助规划是否能够带来可量化的术中结局改善，例如减少失血量或降低术后肝功能衰竭发生率。
结论
本研究表明，一种由AI驱动、全自动的三维肝脏建模工具，可基于术前CT扫描准确预测术中肝切除复杂度。该技术超越了外科医生的预测能力，具有改善术前手术规划、指导患者转诊至专科中心，并最终提升患者安全性及肿瘤学结局的潜力。仍需进一步验证及临床实施研究，以明确其在常规肝胆外科中的作用。
资助与临床试验
该研究发表中未明确提供资助来源及临床试验注册信息。
参考文献
- Ali O, Bône A, Accardo C, et al. Automatic Generation of Liver Virtual Models With Artificial Intelligence: Application to Liver Resection Complexity Prediction. Ann Surg. 2025;284(4):768-775. PMID: 40211963.
- Schröder S, et al. Liver resection complexity score: A validated tool for surgical planning. J Hepatobiliary Pancreat Sci. 2021;28(2):142-151.
- Rafiemanesh H, et al. Application of deep learning in liver surgery: current status and future perspectives. Int J Surg. 2023;107:106939.
