肝癌早筛的困境与挑战
原发性肝癌，特别是肝细胞癌（HCC），是全球范围内一项严峻的公共卫生挑战[1]。其发病与慢性肝病（如肝硬化）紧密相连[2]。尽管抗病毒治疗的进步延长了乙肝、丙肝患者的生命，但也使得他们在更长的生命周期里面临着持续的肝癌风险。因此，如何对肝硬化等高危人群进行精准的风险预测和及时的早期干预，已成为肝癌防治工作的重中之重[3]。
目前，临床上普遍采用的筛查方法是每半年进行一次腹部超声联合血清甲胎蛋白（AFP）检测。然而，这种传统策略存在明显短板：超声检查的准确性极大依赖于操作者的技术水平，对早期微小病灶不够敏感；同时，由于医疗资源分配不均，许多高危患者无法得到持续规范的随访。更重要的是，现有筛查未能实现风险分层，导致部分低风险患者过度检查，而真正的高风险个体却可能被忽视，这正是我国肝癌早诊率不高的重要原因之一[4]。
aMAP评分：肝癌风险的精准“预警器”
为了破解肝癌早筛的瓶颈，南方医科大学南方医院的侯金林教授与樊蓉教授团队，经过长达五年的努力，联合国内外多个研究中心，基于一个包含超过17,000名慢性肝病患者的大型数据库，成功开发并验证了全球首个能够跨越不同病因（如乙肝、丙肝、脂肪肝）和不同种族（亚洲人、西方人）的肝细胞癌风险预测模型——aMAP评分。
aMAP评分模型的优势在于其简洁实用。它仅需结合患者的年龄（Age）、性别（Male）、白蛋白（Albumin）和血小板（Platelet）这四项常规临床指标即可计算，成本低廉，易于在各级医疗机构推广。通过aMAP评分，医生可以有效筛选出肝癌高风险人群，从而进行重点监控；同时，研究显示约50%的慢性肝病患者因风险较低，可免于过于频繁的随访检查，极大地优化了医疗资源配置[5]。
研究团队并未止步于此。他们后续推出了优化版的aMAP-2评分，该模型引入了AFP的纵向动态变化数据，使风险评估能够随时间动态更新，预测性能得到进一步提升。而最新的aMAP-2 Plus评分则更进一步，整合了循环游离DNA（cfDNA）的多维度特征，对肝细胞癌的发生风险实现了更全面的预测。特别是在肝硬化患者中，aMAP-2 Plus的预测效能（AUC）高达0.85–0.89，为实现个体化随访和早期干预提供了强有力的科学工具[6]。
从影像到AI：多模态预警新模型
除了血液学指标，影像学与人工智能（AI）的结合也为肝癌早期预警开辟了新天地。该团队开发的ALARM模型，创新性地将深度学习影像组学特征与aMAP评分相结合，通过分析多期增强CT影像，实现了对肝癌发生风险的提前预警。
此项研究首次提出了“移行期”这一关键概念，即肝脏在癌变前3至12个月内从高危状态向癌变发展的过渡阶段。ALARM模型能够在这一宝贵的“干预窗口期”内识别出约95%的肝细胞癌病例，极大地提升了早期干预的成功率[7]。这一成果不仅为“精准分层+个体化随访”的肝癌筛查策略提供了更强大的技术支持，也展现了整合多模态数据在癌症预警领域的巨大潜力。如果您对自己的肝癌风险或现有治疗方案有疑问，不妨尝试MedFind的AI问诊服务，获取专业的第二诊疗意见。
中西医结合：肝癌风险干预的新思路
尽管现有的预测模型取得了显著成就，但它们大多依赖血液学或影像学指标，可能无法全面反映患者的整体机能状态。为此，研究者们将目光投向了拥有悠久历史和丰富经验的传统中医药。
中西医结合的“双抗治疗”（即抗病毒联合抗纤维化）已成为我国慢性乙肝治疗的一大特色。在规范的抗病毒治疗基础上，结合中医辨证施治，能够起到抗炎、保肝、抗纤维化和免疫调节等多重作用，从而为患者带来更大的临床获益。将中医的辨证分型、舌象、脉象等整体性评估指标，通过人工智能技术进行量化分析并融入现代风险预测模型，有望弥补现有模型的不足，实现对高危人群更精准的风险分层。
一项由杨永平教授团队开展的高质量、双盲随机对照临床试验为此提供了强有力的证据。研究发现，在接受恩替卡韦（Entecavir）治疗的慢性乙肝患者中，联合使用中药复方鳖甲软肝片，可将7年内的累积肝细胞癌发生率从9.3%大幅降低至4.7%，降幅高达51.1%[8]。这一惊人的结果充分证实了中药在肝癌一级预防中的巨大潜力。对于已经确诊的患者，及时获取有效的靶向药物治疗同样至关重要。MedFind致力于为患者提供全球最新的靶向药代购服务，打破信息与地域的壁垒。
总结与展望
总而言之，肝癌的早期筛查与预防正从传统的单一指标检测迈向多维度、整合化的新时代。以aMAP评分为代表的精准预测工具为风险分层奠定了科学基础，而中医药的整体观念和临床实践则为风险干预开辟了充满希望的新路径。
未来，随着人工智能、多组学技术与中西医临床数据的深度融合，我们有望构建出更强大的联合预测模型。同时，推动中药与现代靶向、免疫药物的联合临床研究，将进一步实现对肝癌高危人群的精准预测和高效干预，最终提升患者的生存率和生活质量。更多关于肝癌的前沿治疗资讯和诊疗指南，您可以在MedFind官网的资讯版块找到。
[1] Singal A. G., Lampertico P., Nahon P. Epidemiology and surveillance for hepatocellular carcinoma: New trends. Journal of hepatology. 2020;72(2):250-261
[2] Llovet J. M., Kelley R. K., Villanueva A., Singal A. G., Pikarsky E., Roayaie S., Lencioni R., Koike K., Zucman-Rossi J., Finn R. S. Hepatocellular carcinoma. Nature reviews Disease primers. 2021;7(1):6.
[3] Llovet J. M., Zucman-Rossi J., Pikarsky E., Sangro B., Schwartz M., Sherman M., Gores G. Hepatocellular carcinoma. Nature reviews Disease primers. 2016;2:16018.
[4] EASL 2017 Clinical Practice Guidelines on the management of hepatitis B virus infection. Journal of hepatology. 2017;67(2):370-398.
[5] Fan R., Papatheodoridis G., Sun J., et al. aMAP risk score predicts hepatocellular carcinoma development in patients with chronic hepatitis. Journal of hepatology. 2020;73(6):1368-1378.
[6] Fan R., Chen L., Zhao S., et al. Novel, high accuracy models for hepatocellular carcinoma prediction based on longitudinal data and cell-free DNA signatures. Journal of hepatology. 2023;79(4):933-944
[7] Guo L., Hao X., Chen L., Qian Y., Wang C., Liu X., Fan X., Jiang G., Zheng D., Gao P., Bai H., Wang C., Yu Y., Dai W., Gao Y., Liang X., Liu J., Sun J., Tian J., Wang H., Hou J., Fan R. Early warning of hepatocellular carcinoma in cirrhotic patients by three-phase CT-based deep learning radiomics model: a retrospective, multicentre, cohort study. EClinicalMedicine. 2024;74:102718.
[8] Ji D., Chen Y., Bi J., Shang Q., Liu H., Wang J. B., Tan L., Wang J., Chen Y., Li Q., Long Q., Song L., Jiang L., Xiao G., Yu Z., Chen L., Wang X., Chen D., Li Z., Dong Z., Yang Y. Entecavir plus Biejia-Ruangan compound reduces the risk of hepatocellular carcinoma in Chinese patients with chronic hepatitis B. Journal of hepatology. 2022;77(6):1515-1524
