人工智能对非酒精性脂肪性肝炎的辅助诊断研究进展*

现代中医健康管理以现代健康管理为核心，结合现代设备，对个体或群体健康状态进行资料收集，评估以及干预，甚至预测目标人群健康状况，以更好的弘扬“治未病思想”。人工智能发展正在逐渐改变人类医疗行业的运行，加快医生的成长速度，使更多年轻医生能够做出更准确的判断和更专业的健康指导

。非酒精性脂肪性肝病(NAFLD)是全球范围内慢性肝病的主要原因，囊括了从非酒精脂肪肝(NAFL)到非酒精脂肪肝炎(NASH)再到肝硬化阶段，其发病机制学说也从原来的“二次打击”学说更新为“多重打击”学说

。现代中医健康管理可利用人工智能以对非酒精性脂肪性肝病提出更好的健康管理方案，本文我们整理了人工智能设备在非酒精性脂肪性肝病检测中的应用。

1 人工智能

机器学习是人工智能的一个分支，而深度学习作为机器学习的分支，在近几年因大量新增数据和计算能力的提高取得了突飞猛进的发展

。自然语言处理技术(NLP)作为深度学习的分支，可从电子病例中提取相关信息，从而辅助医生对患者的病情进行诊断

。数据挖掘作为人工智能分支也受到学者青睐，可利用已有的大数据进行数据挖掘，给出新的诊断方式或者诊断指标

。图像识别也对脂肪肝诊断有着极大的推动作用，主要应用于超声图像或者单张CT图像。在完成人工智能训练后还需对其效果进行评价，常用特性曲线(ROC曲线)进行对比。当两个人工智能ROC曲线不相交时可轻易得出结论，但当两个ROC曲线相交时比较就变得困难，这时就引出了ROC曲线下面积 (AUC)，这也是人工智能效果评价常用无阈值指标。而常用阈值指标包括召回率(recall)、准确率(precision) 、精准率(accuracy)和F值，阈值在医疗保健中往往发挥更大的作用，详见表1。

临床应用通常涉及二元决策，比如应用治疗还是保留治疗。阈值的选择取决于临床用例(例如，筛查需要高敏感性和诊断需要高特异性)和资源限制(例如，只有一定比例的患者可以根据时间、人力或资金限制进行筛查)

。

一些文献报道了探究式实验的实施和评估[3-10]。除了以问题引导下的实验练习,学生问卷是评价课程的主要工具。Berg等[11]开展了一个较全面的研究,评价两组学生;一组进行演示性实验,而另一组开展探究式的同一实验。根据对学生问卷的分析,表明探究式实验更有助于学生的学习。由于必备的资源(例如时间、设备、人员)所限,探究性实验难以频繁实施,对其报道相当有限。探究性实验的局限性也促使了演示性实验的普遍使用。

为了验证阳离子电荷数对TSR反应生成H 2 S的影响，在不同的硫酸盐-正辛烷反应体系中加入一定量的AlCl3，测定其H 2 S生成量，如表4所示。

2 病历处理

随着电子病例的普及和大数据研究的进步，病历的数据挖掘开始受到更多重视

。在临床病历中包含结构化信息和非结构化信息，非结构化信息蕴藏许多具有价值的信息，但由于自然语言不规范，其开发受到限制

。随着人工智能的发展，现已有学者将非结构化病历信息抽取进行研究

。Redman团队则使用自然语言处理(NLP)算法学习电子病例中的放射学报告全文，如B超、CT、MRI等，可识别出脂肪肝患者，其对不同报告F值都可达到90%以上

，但其中MRI样本仅有17例，还需进一步研究，而且在国内影像学报告和影像结果常由影像科医生一同出具。Corey团队使用电子医疗记录(EMR)用于NLP学习，包括病理学和放射学报告，以识别NAFLD患者，其阴性预测值(NPV)为56%，阳性预测值(PPV)为89%，AUC可达0.85

，然而，该研究语言分析方法只计算出与NAFLD相关的预定义术语的出现，而没有考虑 NLP 中的关键问题，包括否定、上下文、拼写和首字母缩略词。 Van Vleck团队则使用Clinithink 生产的 CLiX 临床 NLP引擎克服这一问题，其能够成功评估NAFLD患者健康状况甚至预测NAFLD患者

，并且优于ICD(疾病分类)和文本搜索方法。此外，人工智能的训练往往需要专业人士参与，有团队开发出一种能够让非专业人士自动选择算法的人工智能临床电子病历注释工具，使人工智能更加普及

。随着电子病历的普及和数据累计，人工智能用于电子病历进行科学研究分类准确性逐渐提高(详见表2)，以此可用于分析NAFLD病因以及病程中可干预因素，此外随着数据增多，还可以根据患者已有电子健康记录对患者健康状况进行预测，而这对中医健康管理是很好的工具。

语文教学是传承我国文化的基础，是获取知识的首要途径。在语文课堂上，可以学习我国的汉字、文学作品和文化知识等。它是历史文化传统的传承者，是民族情感的培养者。语文课堂上充满着神奇的民族魅力，体会这些语文的美好离不开“读”。大声地朗读、细致地分析阅读、边读边写等，都是“读”的方式，都是在为语文课堂增加活力、魅力与生命力。

3 实验室检查

超声是NAFLD诊断的常用方式

，其优点在于无电磁辐射且成本低

。超声在没有人工智能辅助的情况下对于脂肪肝检测的敏感性、特异性、AUC已可分别达到84.8%、93.6%和0.92

。但超声图像判断是主观的，同时结果还会受到仪器噪声和斑点的影响

。使用人工智能分类算法时需要先使用图像特征提取算法提取特征，再使用人工智能算法进行训练才能输出结果

。超声图像在提取特征前需要先找出肝脏区域，Biswas团队使用深度学习(DL)算法提取肝脏区域，在15%边界时其AUC面积可达1，即特异性、敏感性均为100%

。在区分FLD方面，Cao团队利用超声图像，对比使用3种不同的图像处理技术(1种人工智能，2种非人工智能)，得出使用卷积神经网络(CNN)算法可自动区分正常与FLD患者超声图像，且脂肪变性越严重，越容易区分，其AUC可达到0.933

。Saba团队则利用超声图像经过多种算法优化后利用Levenberg-MarquardtBPN可将准确率提高到97.58%，特异性和敏感性分别为98.08%、97.22%

。在临床中影像资料常使用DICOM图像进行贮存，因为它包含了比普通JPG图像更多的信息

。Acharya团队利用超声图DICOM图像，经过HOS、灰度共生矩阵和DWT提取图像特征，利用决策树和模糊分类器分开进行训练。相对于其他算法中间过程不易理解的缺点，这两种算法中间过程更容易理解。最终该研究发现决策树算法准确率可达到93.3%，AUC为0.933

。Acharya团队还使用DICOM图像经过形态变换提高图像对比度，然后把剪裁的图片经过曲波变换(CT) 降噪，再进行特征提取。将提取后的参数进行统计分析排序，再使用不同的分类算法进行分类。最终发现在使用的算法中PNN最优，准确率为97.33% ，特异性达到100.00% ，敏感性为96.00% ，AUC为0.98

。传统神经网络学习方法训练相对较慢，Kuppili团队使用了极限学习算法(ELM)能够极大的提高人工智能训练速度，该研究中使用ELM算法根据患者DICOM图像区分是否患有FLD，准确率可达92.4%，AUC达0.92，相同条件下支持向量机(SVM)仅有86.42%的准确率，AUC为0.86

。也有团队注意到超声RF数据转换为图像过程中会存在大量信号丢失，于是Han团队直接使用超声RF数据进行学习。由医生选取ROI后使用卷积神经网络(CNN)算法进行训练，该算法与决策树等算法相比可以不用其他算法辅助提取图片信息，最终AUC可达0.98，准确率达96%

。在人工智能训练过程中往往需要认为标注ROI，且需要大量数据，而Byra团队使用预先在ImageNet上训练好的CNN人工智能迁移学习，可实现自动识别ROI并提取B超DICOM图像中特征，再使用SVM进行分类，虽然结果AUC为0.977与使用肝肾对比进行SVM训练的AUC结果0.959差异无统计学意义，但其使用ImageNet图库预先训练的人工智能，并实现自动提取ROI可以提高人工智能超声的鲁棒性

。该文作者还直接在文中提供了原始超声图像，这有利于建立医学界自身的ImageNet，并可以加速人类获得优秀的人工智能超声。现阶段人工智能配合超声多以给与医生第二参考为目标，且分辨轻中度FLD较为困难，如要获得完全自动检测的人工智能超声，仍需要更多的探索(详见表4)。

4 B超

相对于电子病例的非结构化语言，结构化语言更容易利用

，而其中实验室指标则是结构化信息中的重要部分。多个学者注意到NAFLD与代谢紊乱疾病有关，两者都是双向相关的

。Sajida Perveen团队利用决策树(J48)算法基于ATPⅢ标准提出的相关危险因素对电子病历进行筛选，利用与NAFLD相关的代谢综合征的危险因素对NAFLD早期患者进行预测

。而NAFLD患者常在一些重大并发症出现后或因其他原因进行检查时才被诊断出来，因此使用这种方式在健康管理中可对NAFLD患者进行提前预警以及尽早干预。 Fialoke团队根据已有流行病学研究

，结合NAFLD常规实验室参数并对比FIB-4和NFS评分筛选指标，以时间纵向来对患者电子病例信息进行学习，使用了Logistic回归，决策树，随机森林，XG-Boost算法进行学习后比较，最后得出XG-Boost对区分NASH和健康人、预测良性脂肪肝表现最为优异，其AUROC可达到0.88

。该研究按照时间纵向对比患者各项指标，相较于其他仅使用一个时间点数据进行学习利用了更多信息。健康管理则可利用不同时间段收集相关资料对患者进行预测，当被预测为高风险时，可提前采取相应的干预措施。在临床环境中，医生对患者进行健康管理时，有些数据未记录在电子病例中，如Fialoke团队也因病历中BMI数据覆盖不完全将其舍去

。相对于借鉴已有模型进行参数筛选，研究者还可通过机器学习自行建模，即通过机器学习技术进行特征选择和分类技术

。Yip团队为规避电子病历中常缺少的参数，如BMI、随即空腹血糖等，选取了常规临床及实验室参数，使用弹性网正则化技术选出其中8个重要性评分更高的参数

，最后根据Logit分析使用其中6个参数进行学习，发现Logistic回归和Ridge回归对区分正常人和NAFLD患者AUROC在训练集和验证集中分别为0.87和0.88。虽然在该研究中AdaBoost在训练集中AUROC可达到0.90，但其在验证集中仅为0.83。最后作者推荐使用Ridge回归模型区分正常人和NAFLD患者，因为其NVP更高，且比Logistic更容易计算。相对于对临床常用指标的数据挖掘，Keito Yoshimura团队则直接测量了患者血清样本中多种因子和临床标准检测一同进行分析

。通过分析，将其相近者分为不同的因子模块，再使用不同因子模块进行组合寻找最优组合，其评估NAFL-NASH最优组合AUROC为0.939，再从两个因子模块中选取具有代表性的因素，最终最高因素组合AUROC可达0.915。 Yoshimura团队还发现其中一个模块内多个因子组合有望成为诊断NASH相关纤维化的最佳标志物，其AUROC最高可达0.913，远高于NAFLD fibrosis score(NFS)， BARD和FIB-4指数。相对于传统的建模预测方式使用有限的临床数据，现在研究者更多通过高通量技术使用各种组学方式来进行研究，而各种组学可以使用数据挖掘算法对不同代谢产物组合，以找到对NAFLD更准确的预测方式。 Chiappi团队利用脂质组学和机器学习分析，发现了多种可用于识别NASH的脂类，并找到FADS1基因参与NAFLD发病

。医学领域近年来在寻找NAFLD新的诊断指标，Chiappi团队利用随机森林算法对患NAFLD小鼠血清和肝脏脂质指标检测结果进行数据挖掘，成功发现了新的10余种与NAFLD早期发病相关的指标

。Moolla团队则利用组学方法对尿中胆固醇进行分析，选出了10种指标来对NAFL进行区分，并于FIB-4和NAFLD Fibrosis score进行对比，其AUROC均高于两个评分

。各种组学是可用于确定新的生物标志物的新方法，这些新方法能够区分NAFLD严重程度的不同模式，这些组学方式可以大大提高临床对NAFLD的预测(详见表3)。虽然人工智能与高通量分析结合的组学研究是一种潜力巨大的研究方式，而且已经出现一段时间，但其应用于临床以及推广仍需要更多研究

。

5 CT

CT作为临床中常使用的检测手段，与其他检测手段相比，CT更容易进行解剖定位以及三维重建，这对于自动化检测可以极大的减少人工参与。不同于数据挖掘和二维算法，CT对器官分割最常使用的算法是U-Net算法，或依据此算法进行改进的算法。Graffy团队利用该算法实现了对CT脂肪肝自动分割

。在CT诊断中需要医生寻找ROI(感兴趣区域)，Huo通过深部卷积神经网络算法进行学习，可自动追踪肝脏ROI

。Byun团队则并未直接使用CT图像，而是利用CT肝衰减与脾衰减进行对比运算，实现了对中重度肝脂肪变性的分类

。Roth团队使用级联三维全卷积网络(FCN)(U-net的扩展)实现了对细微结构的自动分割，如血管等

。CT还可以使用造影剂对肝脏进行增强，以达到更好的分辨效果，这可用于识别脂肪肝病变后的血管变化。Choi团队利用增强CT门静脉期图像开发和验证深度学习分期肝纤维化

。CT相对于超声和MRI对肝内脂肪变化并不敏感，但其对于全身器官定位明显优于超声。因此，对于实现偏远地区中医健康管理系统可利用CT进行定位后超声再进行局部诊断。详见表5。

6 其他

目前肝组织活检依旧是诊断NAFLD的金标准，有团队通过人工选取活检病变区域来训练人工智能，可定量分析切片并进行诊断

。而MRI衍生的质子密度脂肪分数(MRI-PDFF)是一种较新的成像方法，可以对整个肝脏进行脂肪映射。研究表明，在评估肝脏脂肪含量方面，MRI-PDFF优于活检，并且在临床试验中，它越来越多地取代了之前活检的地位

。但活检意义并不完全在于评估脂肪肝脂肪含量，还可以评估炎症、肝细胞气球化和纤维化改变，因此MRI-PDFF还需要发展

。

7 展望

在各种检测手段中，超声无创，可重复，易使用，无辐射，最适用于家庭场景中现代中医健康管理。而对于社区医院可拥有患者长期的治疗资料，结构化数据和非结构化数据得病历处理更加适用。为实现更好的为社区服务，为家庭服务，现有的人工智能设备仍需发展，使其更加易用，以及开发。在其他领域已推出ImageNet这样带有标签可以用来直接进行训练的图库，这极大加速了其领域的人工智能发展。而在医学领域并没有相应的图库，这增加了医学领域人工智能发展的门槛，也使得医学领域人工智能发展相对缓慢。因此，医学人工智能需要类似的专业数据库，不仅包括图像，还需要病历数据等。

[1] Yu KH,Beam AL,Kohane IS. Artificial intelligence in healthca-re[J].Nat Biomed Eng, 2018, 2(10): 719-731.

[2] Hamet P, Tremblay J. Artificial intelligence in medicine[J]. Metabolism, 2017, 69(3):153-161.

[3] Li J,Zou B,Yeo YH,

. Prevalence, incidence, and outcome of non-alcoholic fatty liver disease in Asia, 1999-2019: a systematic review and meta-analysis[J]. Lancet Gastroenterol Hepatol,2019, 4(5):389-398.

[4] Burt AD,Lackner C,Tiniakos DG. Diagnosis and assessment of NAFLD: definitions and histopathological classification[J]. Semin Liver Dis, 2015, 35(3):207-220.

[5] Buzzetti E,Pinzani M,Tsochatzis EA. The multiple-hit pathogenesis of non-alcoholic fatty liver disease (NAFLD)[J].Metabolism, 2016, 65(8): 1038-1048.

[6] Litjens G,Kooi T,Bejnordi BE,

. A survey on deep learning in medical image analysis[J]. Med Image Anal, 2017, 42(9):60-88.

[7] Hou JK,Imler TD,Imperiale TF. Current and future applications of natural language processing in the field of digestive diseases [J]. Clin Gastroenterol Hepatol, 2014, 12(8): 1257-1261.

[8] 丁静,张斌,王培劼,等.基于数据挖掘和生物信息分析探讨非酒精性脂肪肝用药规律及作用机制[J].中国中药杂志,2019,44(8):1689-1695.

[9] 肖祖林, 任真, 叶思思,等. 数据挖掘技术在中医肝系病中的应用现状[J]. 江西中医药大学学报,2020,32(1):118-120.

[10] Chen PC,Liu Y,Peng L. How to develop machine learning models for healthcare[J]. Nat Mater, 2019, 18(5):410-414.

[11] 宋菁, 胡永华. 流行病学展望：医学大数据与精准医疗[J]. 中华流行病学杂志, 2016, 37(8): 1164-1168.

[12] Névéol A,Zweigenbaum P. Clinical natural language processing in 2015: Leveraging the variety of texts of clinical interest[J]. Yearb Med Inform, 2016,25(01): 234-239.

[13] 倪晓华. 非结构化电子病历信息的抽取[J]. 中国数字医学, 2016, 11(12):89-89.

[14] Redman JS,Natarajan Y,Hou JK,

. Accurate identification of fatty liver disease in data warehouse utilizing natural language processing[J]. Dig Dis Sci, 2017, 62(10): 2713-2178.

[15] Corey KE,Kartoun U,Zheng H,

. Development and validation of an algorithm to identify nonalcoholic fatty liver disease in the electronic medical record[J]. Dig Dis Sci, 2016,61(3):913-919.

[16] Van Vleck TT,Chan L,Coca SG,

. Augmented intelligence with natural language processing applied to electronic health records for identifying patients with non-alcoholic fatty liver disease at risk for disease progression [J]. Int J Med Inform, 2019, 129(Sep.):334-341.

[17] Pfaff ER,Crosskey M,Morton K,

. Clinical annotation research kit (CLARK): Computable phenotyping using machine learn-ing[J]. JMIR Med Inform, 2020, 8(1).

[18] 陈衡, 黄刊迪. 结构化电子病历概述[J]. 中国数字医学, 2011(5):46-49.

[19] Perveen S, Shahbaz M, Keshavjee K,

. A systematic machine learning based approach for the diagnosis of non-alcoholic fatty liver disease risk and progression[J]. Sci Rep, 2018, 8(1): 2112.

[20] Garcia-Carretero R, Vigil-Medina L,Barquero-Perez O,

. Relevant features in nonalcoholic steatohepatitis determined using machine learning for feature selection [J]. Metab Syndr Relat Disord, 2019, 17(9): 444-451.

[21] Younossi ZM, Koenig AB,Abdelatif D,

. Global epidemiology of nonalcoholic fatty liver disease-Meta-analytic assessment of prevalence, incidence, and outcomes[J]. Hepatology, 2016, 64(1): 73-84.

[22] Chalasani N, Younossi Z, Lavine JE,

. The diagnosis and management of nonalcoholic fatty liver disease: Practice guidance from the American Association for the Study of Liver Diseases[J]. Hepatology, 2018, 67(1):328-357.

[23] Fialoke S,Malarstig A, Miller MR,

. Application of machine learning methods to predict non-alcoholic steatohepatitis (NASH) in non-alcoholic fatty liver (NAFL) patients[J]. AMIA Annu Symp Proc, 2018, 2018:430-439.

[24] Ma H,Xu CF,Shen Z,

. Application of machine learning techniques for clinical predictive modeling: A cross-sectional study on nonalcoholic fatty liver disease in China[J]. Biomed Res Int, 2018,2018:1-9.

[25] Zou H , Hastie T. Regularization and variable selection via the elastic net[J]. J R Statist Soc B,2005,67(2):301-320.

[26] Friedman JH , Hastie T , Tibshirani R . Regularization paths for generalized linear models via coordinate descent[J]. J Stat Softw,2010,33.

[27] Yoshimura K,Okanoue T,Ebise H,

. Identification of novel noninvasive markers for diagnosing nonalcoholic steatohepatitis and related fibrosis by data mining[J]. Hepatology, 2016, 63(2): 462-473.

[28] Chiappini F, Coilly A,Kadar H,

. Metabolism dysregulation induces a specific lipid signature of nonalcoholic steatohepatitis in patients[J]. Sci Rep,2017,7.

[29] Chiappini F,Desterke C, Bertrand-Michel J,

. Hepatic and serum lipid signatures specific to nonalcoholic steatohepatitis in murine models[J]. Sci Rep,2016, 6: 31587.

[30] Moolla A,de Boer J,Pavlov D,

. Accurate non-invasive diagnosis and staging of non-alcoholic fatty liver disease using the urinary steroid metabolome[J]. Aliment Pharmacol Ther, 2020, 51(11): 1188-1197.

[31] 杨家红,甘峰,梁逸曾,等.质谱智能解析系统[J]. 计算机与应用化学, 2000, 17(Z1):139-140.

[32] 中华医学会肝病学分会脂肪肝和酒精性肝病学组, 中国医师协会脂肪性肝病专家委员会. 非酒精性脂肪性肝病防治指南(2018年更新版)[J]. 实用肝脏病杂志, 2018, 21(2):30-39.

[33] Ozturk A,Grajo JR,Gee MS,

. Quantitative hepatic fat quantification in non-alcoholic fatty liver disease using ultrasound-based techniques: A review of literature and their diagnostic performan-ce[J]. Ultrasound Med Biol, 2018, 44(12): 2461-2475.

[34] Hernaez R,Lazo M,Bonekamp S,

. Diagnostic accuracy and reliability of ultrasonography for the detection of fatty liver: A meta-analysis[J]. Hepatology, 2011, 54(3): 1082-1090.

[35] Acharya UR,Raghavendra U,Fujita H,

. Automated characterization of fatty liver disease and cirrhosis using curvelet transform and entropy features extracted from ultrasound images[J]. Comput Biol Med,2016, 79: 250-258.

[36] Virmani J,Kumar V,Kalra N,

. SVM-based characterization of liver ultrasound images using wavelet packet texture descript-ors[J]. J Digit Imaging, 2013, 26(3): 530-543.

[37] Biswas M , Kuppili V , Edla DR ,

. Symtosis: A liver ultrasound tissue characterization and risk stratification in optimized deep learning paradigm[J]. Comput Methods Programs Biomed, 2018, 155:165-177.

[38] Cao W,An X,Cong L,

. Application of deep learning in quantitative analysis of 2‐dimensional ultrasound imaging of nonalcoholic fatty liver disease[J]. J Ultrasound Med, 2019, 39(1): 51-59.

[39] Saba L , Dey N , Ashour AS ,

. Automated stratification of liver disease in ultrasound: An online accurate feature classification paradigm[J]. Comput Methods Programs Biomed, 2016, 130(C):118-134.

[40] Herrmann MD,Clunie DA,Fedorov A,

. Implementing the DICOM standard for digital pathology[J].J Pathol Inform,2018,9(1)：37.

[41] Acharya UR,Sree SV,Ribeiro R,

. Data mining framework for fatty liver disease classification in ultrasound: A hybrid feature extraction paradigm[J]. Med Phys, 2012, 39: 4255-64.

[42] Kuppili V, Biswas M,Sreekumar A,

. Extreme learning machine framework for risk stratification of fatty liver disease using ultrasound tissue characterization[J]. J Med Syst, 2017, 41(10):152.

[43] Han A,Byra M,Heba E,

. Noninvasive diagnosis of nonalcoholic fatty liver disease and quantification of liver fat with radiofrequency ultrasound data using one-dimensional convolutional neural networks[J]. Radiology, 2020, 295(2): 342-350.

[44] Byra M,Styczynski G,SzmigielskiC,

. Transfer learning with deep convolutional neural network for liver steatosis assessment in ultrasound images[J]. Int J Comput Assist Radiol Surg, 2018,13(12): 1895-1903.

[45] Graffy PM,Sandfort V, Summers RM,

. Automated liver fat quantification at nonenhanced abdominal CT for population-based steatosis assessment[J]. Radiology, 2019, 293(2): 334-342.

[46] Huo Y,Terry JG, Wang J,

. Fully automatic liver attenuation estimation combing CNN segmentation and morphological operatio-ns[J]. Med Phys, 2019, 46(8): 3508-3519.

[47] Byun J, Lee SS, Sung YS,

. CT indices for the diagnosis of hepatic steatosis using non-enhanced CT images: development and validation of diagnostic cut-off values in a large cohort with pathological reference standard[J]. Eur Radiol, 2018, 29(8): 4427-4435.

[48] Roth HR, Oda H, Zhou X,

. An application of cascaded 3D fully convolutional networks for medical image segmentation[J]. Comput Med Imaging Graph,2018, 66: 90-99.

[49] Christ PF, Elshaer MEA, Ettlinger F ,

. Automatic liver and lesion segmentation in CT using cascaded fully convolutional neural networks and 3D conditional random fields[OL].International Conference on Medical Image Computing and Computer-Assisted Intervention,2016：415-423.

[50] Choi KJ,Jang JK,Lee SS,

. Development and validation of a deep learning system for staging liver fibrosis by using contrast agent-enhanced CT images in the liver[J]. Radiology, 2018, 289(3): 688-697.

[51] Vanderbeck S,Bockhorst J,Komorowski R,

. Automatic classification of white regions in liver biopsies by supervised machine learning[J]. Hum Pathol, 2014, 45(4): 785-792.

[52] Teramoto T,Shinohara T,Takiyama A. Computer-aided classification of hepatocellular ballooning in liver biopsies from patients with NASH using persistent homology[J]. Comput Methods Programs Biomed, 2020, 195: 105614.

[53] Forlano R, Mullish BH, Giannakeas N,

. High-throughput, machine learning-based quantification of steatosis, inflammation, ballooning, and fibrosis in biopsies from patients with nonalcoholic fatty liver disease[J]. Clin Gastroenterol Hepatol,2020,18(9): 2081-90.e9.

[54] Wang XJ, Malhi H. Nonalcoholic fatty liver disease[J].Ann Intern Med, 2018,169(9):170.

[55] Bedossa P,Poitou C,Veyrie N,

. Histopathological algorithm and scoring system for evaluation of liver lesions in morbidly obese patients[J]. Hepatology, 2012, 56(5): 1751-1759.