亚太肝脏研究协会关于代谢功能障碍相关脂肪性肝病肝脏病理学人工智能辅助报告专家调查

The Asian Pacific Association of the Study of the Liver expert survey on artificial intelligence-assisted reporting of liver histopathology in metabolic dysfunction associated fatty liver disease

作者信息H Elangovan, K Akbary, A Rastogi, A Wee, G Soon, L Adams, E Carr-Boyd, A Clouston, C L Cooper, W K Chan, Y Y Dan, R Dela-Cruz, G Goh, S S Hamid, D Q Huang, T Kawaguchi, W Kim, S U Kim, J D Jia, C J Liu, F Liu, W Q Leow, M D Muthiah, I Ng, D Payawal, A F Pan, S Pervez, G Shiha, T Tanwandee, Y Tanaka, L Thiyaphat, M Vij, Y Yilmaz, F Yilmaz, M L Yu, K Zalata, M H Zheng, J G Fan, S K Sarin, V Wong, J George
PMID42129058
发布时间2026-06
DOI10.1007/s12072-026-11092-6

实验完整度

该文献为专家意见调查,未包含实验研究、功能验证或机制验证,仅报告参与者的观点和共识水平。

摘要

引言:人工智能(AI)和数字病理学有可能在临床实践和试验评估中增强MAFLD的肝活检解读。然而,对其实施的接受度和障碍尚未被系统探索。方法:在亚太地区的肝病学家和肝脏病理学家中进行了一项关注传统肝脏组织学、数字病理学及其在MAFLD/MASH中AI应用的调查。结果:AI辅助的数字病理学被认为是MAFLD/MASH现有组织学报告的有价值补充。AI模型应用和验证的明确标准是其实施的重要优先事项。结论:亚太地区的临床专家达成共识,AI辅助的组织学评估在MAFLD/MASH解读中有用。然而,将这些技术应用于常规临床工作流程仍存在重要挑战。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
亚太地区肝病学家和肝脏病理学家对AI辅助数字病理学在MAFLD/MASH组织学评估中的态度和实施障碍是什么?
核心机制
文中未明确说明。
主要证据
基于对亚太地区36名专家(23名肝病学家和13名病理学家)的调查,多数参与者同意AI辅助数字病理学可改善MAFLD/MASH组织学评估的可重复性和决策支持。
研究意义
作者提出需要制定AI模型应用和验证的标准,并促进该技术在亚太地区的可及性和教育,以推动其在临床和试验中的应用。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
SHG/TPEF显微镜----
qFibrosis®Histoindex--

关键环节

汇总复现实验时建议重点确认的条件及原文阅读提示。

环节核对要点
专家调查
调查对象:26名肝病学家和19名临床病理学家受邀,其中23名肝病学家和13名病理学家参与;调查问题由3名肝病理学家和2名肝病学家设计;问卷分为四个部分,包括基本信息、传统肝活检、数字病理学和AI、质量控制;回答采用李克特量表,共识水平定义为66%同意。
阅读提示:Methods部分
数据分析
数据分析方法:分类数据以百分比显示;共识定义为66%的同意水平。
阅读提示:Data analysis部分