機器學習在肝癌診療領域的應用進展

祁亮，沈潔

南京大學醫學院附屬鼓樓醫院腫瘤中心/南京大學臨床腫瘤研究所，南京210008

原發性肝癌（肝癌）是全球最常見的一種惡性腫瘤，其發病率和病死率均居所有腫瘤的前5位。在中國，肝癌是第4位常見的惡性腫瘤及第3位腫瘤致死病因，嚴重威脅著人們的生命健康。隨著對肝癌致病因素、早期診斷、血清學生物標志物、基因組學、代謝組學、蛋白質組學、影像、病理、治療、療效評估、復發預測、生存分析等方面研究的持續深入，大量的數據被積累起來。近年來，大數據、數據挖掘、云計算、人工智能等分析技術的出現及迅猛發展，為分析肝癌患者的大量數據提供了便捷的手段。而各種處理大數據的工具背后都有機器學習（machine learning）的應用[1]。

機器學習致力于研究如何通過計算的手段，利用經驗來改善系統自身的性能，在計算機系統中，“經驗”通常以“數據”的形式存在，因此，機器學習所研究的主要內容是關于在計算機上從數據中產生“模型（model）”的算法，即“學習算法（learning algorithm）”。有了學習算法，便能基于這些積累的大量數據產生模型，然后在面對新的肝癌患者時，模型會提供相應的判斷（如預后、復發風險、療效、影像等）。機器學習和之前出現的各種專家診療系統有本質區別，專家診療系統是人們將既往許多專家診療的病例信息匯集到一起，編成固定程序，當遇到新的肝癌患者時，專家診療系統會檢索自己大的數據庫，找到最匹配的數據，然后給出診療建議；而機器學習是利用多種算法，使計算機自己學習既往診療的多個病例，把這些病例的所有特征或屬性綜合分析，從而得出最佳的診療模型，然后去面對新的患者，在后續的使用中，可以根據新的病例，繼續學習，完善模型，這也是人工智能的體現。

機器學習領域旨在開發經驗豐富的計算機算法，有望使計算機能夠幫助人們分析大型復雜的數據集，包括肝癌影像學上的序列元素、肝癌的基因測序及表觀遺傳學、肝癌蛋白質組學、肝癌代謝組學等大量數據[2]。機器學習中有很多算法，而在肝癌診療領域常用的是人工神經網絡、決策樹（decision tree）、支持向量機（support vector machine，SVM）這3種，很多研究中也提到了以上算法的各種改良版本。

人工神經網絡又稱神經網絡算法，是一種模擬人腦的神經網絡來實現人工智能的機器學習技術，在解決非線性問題方面比較常用。人工神經網絡的發展，從單層神經網絡（又稱為感知機），到兩層神經網絡（多層感知機），再到多層神經網絡。目前，伴隨著云計算、大數據等技術的迅猛發展，多層神經網絡的研究已進入深度學習領域，包括卷積神經網絡、深度信念網絡等（圖1），在處理醫學X線片、電子計算機斷層掃描（CT）、磁共振成像（magnetic resonance imaging，MRI）、超聲、病理等中，其判別良惡性疾病已超過了資深的影像學專家和病理專家。在對肝癌的研究中，人工神經網絡也是使用最多一種的算法[3-7]；此外，比較常用的還有決策樹和SVM[7-10]。

圖1 人工神經網絡分類圖

1 肝癌影像學

1.1 機器學習構建模型優化影像學檢查

目前，肝癌的影像學檢查主要包括超聲[包括實時灰階超聲造影（contrast-enhanced ultrasonography，CEUS）]、增強CT、增強MRI、釓塞酸二鈉磁共振成像（gadolinium ethoxybenzyl diethylenetriamine pentaacetic acid-magnetic resonance imaging，Gd-EOB-DTPA-MRI）、數字減影血管造影（digital subtract angiography，DSA）、正電子發射計算機斷層顯像（positron emission tomography，PET）-CT等。2017年版原發性肝癌診療規范[11]中指出，對于慢性肝病和（或）肝硬化患者，首次影像學發現的直徑≤2 cm的病灶/結節，需要至少2種影像學檢查（MRI、CT、CEUS、EOB-MRI）結果有肝癌的典型表現，但行2種影像學檢查，對于部分經濟條件較差的患者來說，不僅增加了經濟負擔，而且部分肝癌患者可能因此引起治療延遲而產生嚴重后果。He等[12]收集了肝臟結節直徑＜2 cm的患者的影像學數據，使用機器學習中的決策樹算法，構建了一個7步決策樹模型。該模型中，無論是疑似還是確診的肝癌患者，都通過增強CT、增強MRI或EOBMRI檢查開始，確診的患者進入治療環節，未確診的患者接受進一步影像學檢查，影像結果的判斷分為陽性（包括真陽性和假陽性）和陰性（包括真陰性和假陰性）。該研究結果顯示，EOB-MRI組真陽性肝癌患者的比例（43.4%）高于增強MRI組和增強CT組（37.4%和34.5%），假陰性患者的比例（3.6%）低于增強MRI組和增強CT組（9.6%和12.5%），且EOB-MRI組未能確診的患者不需要再行第2種影像學檢查，直接行肝穿刺活檢確診。整個模型最后預測，對于肝臟結節直徑＜2 cm的患者，行EOB-MRI檢查的患者的總花費低于行增強CT和增強MRI檢查的患者，即對于肝臟結節直徑＜2 cm的患者，該模型建議首先行EOB-MRI檢查。

1.2 機器學習構建肝癌影像診斷及預測術后復發模型

影像科醫師對于肝癌讀片的水平有高有低，如果機器學習能自學患者的影像學資料并構建診斷模型，則可以輔助醫師進行診斷。祁紅琳等[13]通過對肝癌患者的術后MRI圖像提取10個紋理特征，使用機器學習中的人工神經網絡算法構建了預測肝癌術后復發的模型，用以輔助臨床醫師制定治療方案。Kuppili等[14]使用SVM和極限學習機（extreme learning machine，ELM，也是機器學習中的一種算法），對63例美國肝癌患者的超聲圖像特征進行學習，構建了準確度為96.75%的診斷模型。Konda等[15]使用SVM學習了肝癌患者超聲影像的特征，構建的診斷模型對判別良性肝占位、肝癌、轉移性肝癌的準確率分別達到84.4%、87.7%、85.7%。Conze等[16]使用決策樹算法大類中的隨機森林算法，構建了基于增強CT多相超體素特征的肝臟組織區分模型。劉建華和王建偉[17]使用人工神經網絡算法構建了包括圖像預處理、圖像分割、特征提取和分類識別的肝癌影像學診斷方法，該方法的準確率為83.33%。郝濤和張智[18]從一階統計特征、灰度共生矩陣、灰度行程矩陣三方面提取正常肝、原發性肝癌和肝血管瘤CT圖像的紋理特征，使用人工神經網絡學習這些通過特征提取的屬性，構建了肝癌的診斷模型，準確率達（91.08±6.96）%。在多層神經網絡尚未成熟應用于醫學之前，國內的學者曾使用兩層神經網絡構建過大量的關于CT、MRI、超聲圖像的用于診斷肝癌的模型，其目的在于輔助醫師診斷[19-24]。人工神經網絡層數越多，模型擬合能力越強，但所花費的計算代價太大，在20世紀90年代后期，兩層神經網絡逐漸被國外學者淘汰。近幾年，隨著計算機計算能力的突飛猛進，及對深層神經網絡研究的逐步深入，多層神經網絡、深度信念網絡、卷積神經網絡等開始陸續被用于影像學診斷（圖2）。截至目前，尚未看到有卷積神經網絡應用于肝癌的影像學研究報道，但在其他疾病的診斷模型研究中，已取得了既往兩層神經網絡無法比擬的高度，2018年初，斯坦福大學Pranav Rajpurkar等[25]構建了一個121層的卷積神經網絡，并使用包含14種疾病的10萬張胸部X線片來構建模型，最后將該模型與專業的放射科醫師同時讀片，結果顯示模型的診斷準確率高于放射科醫師。當然，這種體量的模型和龐大的圖像數據相結合，借助目前的運算速度，在之前是不可想象的。

圖2 卷積神經網絡的簡單示意圖

2 肝癌病理診斷

Li等[26]對肝癌患者的病理圖像資料采用中心擴散分割的方法獲得每個固定尺寸的灰度圖像塊，并在3位病理學專家的指導下做相應的標記；然后構建了一個多重連接的卷積神經網絡來識別肝癌細胞的細胞核；最后使用反向傳播算法來訓練多重連接-卷積神經網絡-極限學習機架構，該模型在肝癌細胞的細胞核分級方面有優越性。Pang等[27]提出了一種凹凸變化方法來優化隨機森林算法、SVM、ELM等算法。在數據預處理階段，使用雙側濾波器增強蘇木精-伊紅染色（hematoxylin-eo-sin staining，HE）的病理圖像，并在病理學專家的指導下獲得每個肝癌患者的圖像斑塊。在提取每個補丁的完整特征后，對這些特征進行特征選擇（特征選擇算法是機器學習中的一種數據處理算法），然后將處理后的數據訓練隨機森林、SVM、ELM等模型，并用CCV進行優化，使得機器學習訓練出來的模型能更準確地分類肝癌的病理圖像，準確率達到98.74%。

2.1 肝癌生物標志物

血清甲胎蛋白（alpha fetoprotein，AFP）是目前診斷肝癌常用而又重要的一種方法，2017年版原發性肝癌診療規范[11]中診斷標準為AFP≥400 μg/L，排除慢性或活動性肝炎、肝硬化，睪丸或卵巢胚胎來源性腫瘤以及妊娠等；對于AFP低度升高者，應作動態觀察，并與肝功能變化對比分析，有助于診斷，約30%的肝癌患者的AFP水平正常，為了彌補AFP的不足，在兩層神經網絡算法開始普及后，即有學者開始了嘗試。2001年Poon等[28]使用人工神經網絡及決策樹構建了血清AFP在正常水平患者的肝癌診斷模型，并用該模型計算出了AFP cut-off值。2005年楊美琴等[29]利用人工神經網絡建立了聯合 AFP、癌胚抗原（carcinoembryonic antigen，CEA）、糖類抗原 19-9（carbohydrate antigen 19-9，CA19-9）、糖類抗原 724（carbohydrate antigen 724，CA724）、細胞角質蛋白19片段抗原21-1（cytokeratin 19 fragment antigen 21-1，CYFRA21-1）、神經元特異性烯醇化酶（neuron-specific enolase，NSE）及組織多肽抗原（tissue polypeptide antigen，TPA）的多種標志物診斷模型，該模型鑒別肝癌和腸癌的準確率為88.9%，在鑒別肝癌和胃癌的準確率為93.5%，而且還可以提示原發灶不明的惡性腫瘤的原發部位。2010年Camaggi等[30]利用45例丙型肝炎病毒（hepatitis C virus，HCV）相關肝硬化、早期肝癌及晚期肝癌患者的522份血清樣本訓練了隨機森林模型，得到了血清中多種蛋白質組學特征可以用來區分伴有或不伴有肝硬化、伴有或不伴有血管浸潤的肝癌的結論，并正確分類了45例患者中的43例。2011年Patterson等[31]利用SVM構建了血清中甘氨酸脫氧膽酸鹽、脫氧膽酸3-硫酸鹽、膽紅素水平、溶血磷脂水平的預測肝癌發生的模型。胡瓊英等[32]收集了435份血清蛋白質譜數據，先篩選肝癌差異表達蛋白標志物，然后用這些差異表達蛋白標志物數據訓練了一個人工神經網絡模型用于診斷肝癌，其靈敏度和特異度分別為84.00%、81.25%。Wang等[33]建立了人工神經網絡及SVM模型，該模型通過血清肽和AFP聯合檢測對乙型肝炎病毒（hepatitis B virus，HBV）相關肝硬化進展的早期肝癌進行診斷。尹咪咪等[34]使用機器學習在肝癌患者的臨床數據中篩選出高爾基體蛋白73（Golgi protein 73，GP73）、AFP、α-L-巖藻糖苷酶（alpha-L-fetoprotein，AFU）、谷草轉氨酶（glutamic-oxaloacetic transaminase，GOT）、谷丙轉氨酶（glutamic-pyruvic transaminase，GPT）、白細胞（white blood cell，WBC）等指標，然后用這些指標構建人工神經網絡模型，用于肝炎和肝癌患者的鑒別診斷，準確率分別為95.5%、86.0%。2017年王運九等[35]對630例肝細胞肝癌患者及非肝細胞肝癌患者（包括肝炎和肝硬化）的臨床資料先采用單因素和多因素分析篩選出有統計學意義的指標，如AFP、總膽汁酸、活化部分凝血活酶時間（activated partial thromboplastin time，APTT）、堿性磷酸酶（alkaline phosphatase，ALP）及血小板，然后用這些指標訓練邏輯回歸模型和人工神經網絡模型（兩層神經網絡），來診斷肝細胞肝癌，最后得到的邏輯回歸模型和人工神經網絡模型的準確率分別為80.4%和83.4%，提示人工神經網絡在處理臨床大量數據進行分類問題的解決上優于邏輯回歸。隨著近幾年基因測序的開展及2016年美國癌癥基因組圖譜（the cancer genome atlas，TCGA）的繪制完成，研究者開始研究基于使用基因共表達網絡來分析鑒定肝癌的潛在生物標志物。2017年Zhang等[36]首先從全基因組中大規模選擇與肝細胞肝癌密切相關的候選基因，使用cytoscape軟件建立了基因共表達網絡，然后通過馬爾科夫聚類算法（Markov cluster algorithm，MCL，機器學習中的無監督算法），將全局網絡聚類成若干子模塊，并對這些已鑒定的基因模塊進行GO分析來進一步探索與肝細胞肝癌功能障礙明顯相關的基因，發現HK2、KLF4可以作為潛在候選基因，最后通過SVM建立預測模型，評估肝癌分類結果。2018年Wang等[37]應用隨機森林建立模型，從137例肝細胞肝癌患者及431例非肝細胞肝癌患者（224例肝炎和207例肝硬化）的尿液中提取DNA進行檢測，并從尿液基因測序結果中篩選生物標志物，該模型用于鑒別診斷達到了90%的特異度和87%的靈敏度。

2.2 肝癌基因組學、蛋白質組學及代謝組學

伴隨著二代測序技術的發展，全基因組測序積累的數據正在呈指數級增長，因為對于1例肝癌患者，全基因組測序能產生20 000多個基因的表達量、突變等信息，這就使得數據的維度很高，很多早期的機器學習算法處理大量基因測序數據表現不佳，泛化能力下降；而近年來出現的大數據分析技術、深度學習等為處理基因測序數據提供了技術支持。深度學習屬于機器學習范疇，因現在計算機計算能力的大幅度提升，很多復雜的機器學習算法得以實現，包括多層神經網絡中的深度信念網絡、卷積神經網絡及眾多學者改良的早期機器學習算法。機器學習模型的幾個要點：①更強的計算能力；②更大量的數據；③更好的訓練算法。這些要素在肝癌基因組學的迅猛發展下和計算機技術的發展下逐步實現。2014年Ibrahim等[38]利用深度信念網絡構建了基于基因和miRNA水平的肝細胞肝癌患者亞群分類的模型，在該研究中，使用了機器學習中的特征選擇、SVM、深度信念網絡等算法，最后證實深度信念網絡能夠在多個抽象層次上表示數據，并能很好地區分不同肝癌亞群，比早期的特征選擇算法更具優勢。張朋軍和田亞平[39]對52例早期肝癌患者和34例健康對照者的外周血基因數據進行分析，分別用邏輯回歸、人工神經網絡構建外周血多參數基因診斷模型，結果顯示人工神經網絡的靈敏度和特異度均高于邏輯回歸（靈敏度：96%vs94%，特異度：86%vs80%），并且認為人工神經網絡在肝癌疾病預測及早期檢測中有更好的診斷價值。2017年Qiu等[40]使用Illumina公司甲基化分析儀450K Beadchip對576例早期肝癌患者的基因CpG甲基化水平進行檢測，得到的數據使用機器學習中Lasso算法及SVM-RFE算法（Lasso算法，用于精簡數據，降低維度；SVM-RFE算法，即支持向量機遞歸特征消除算法），建立了預測早期肝癌復發風險的甲基化標簽。2018年Augello等[41]使用機器學習中的分類算法發現MICA基因的兩個單核苷酸多態性位點rs2596542、rs2596538及“年齡”可用于肝硬化和肝癌的鑒別分類。Chandhary等[42]利用TCGA數據中的360例肝細胞肝癌患者的RNA測序、miRNA測序及甲基化數據，構建了一個含有3個隱藏層的多層人工神經網絡模型，確定了2個不同生存期肝細胞肝癌患者的亞群分類。Liao等[43]對肝細胞肝癌患者的Dishevelled/EGL-10/Pleckstrin（DEP）結構域（DEPDC）蛋白質超家族進行研究，設計了一種分離DEPDC和非DEPDC的計算方法。首先，他們檢查了已知DEPDC的Pfam數，并使用每個Pfam的最長序列來構建系統發育樹；隨后，提取了DEPDC和非DEPDC的188維（188D）和20維（20D）特征，并將它們用隨機森林分類器進行了分類；最后，設計了肝細胞癌組織及癌旁正常組織中人DEPDC表達水平的實驗驗證方法。結果表明，DEPDC超家族可以分為3類，而且，188D和20D特征可以用于有效區分兩種蛋白質的類型，成功構建了DEPDC的二元分類器，并通過實驗驗證了它們在人肝癌組織中的表達。Liang等[44]使用機器學習結合代謝組學從肝細胞肝癌患者的尿液中鑒定了15種肝細胞肝癌和匹配的健康對照者有差異的代謝物，涉及幾種關鍵的代謝途徑，其中5種代謝物對肝細胞肝癌的診斷有價值，靈敏度為96.5%，特異度為83.0%。Gui等[45]學者應用最大相關最小冗余算法跟隨增量特征選擇的機器學習方法應用于由43個腫瘤和52個非腫瘤樣本產生的一組微陣列數據。通過機器學習方法，確定了117個可以最佳分離腫瘤和非腫瘤樣本的基因探針，這些基因不僅包括已知的肝癌相關基因，如MT1X、BMI1和CAP2，還包括之前未發現與肝癌密切相關的腫瘤基因，如TACSTD2。然后，基于來自STRING數據庫的蛋白質-蛋白質相互作用（protein-protein interaction，PPI）數據構建了一個分子相互作用網絡，并用機器學習方法確定了基因中最短路徑上的187個基因。網絡分析揭示了泛素C在肝細胞肝癌發病機制中的新潛在作用。

3 肝癌發生風險、術后復發風險、療效和生存預測

機器學習在構建預測危險因素、發生及復發風險、生存預測等方面也有許多研究。Santos等[46]利用SMOTE過采樣算法和K均值聚類算法構建具有代表性數據的肝細胞肝癌數據庫，然后利用這個數據庫的數據訓練邏輯回歸模型和人工神經網絡模型，相比于循證醫學，機器學習以其強大的算法（比如聚類算法）可以“學得”患者的異質性，生成具有相似預后特征的同質組，映射到相似的生存模式上，達到更準確的預測。并且機器學習在處理含有缺失值、不平衡的數據集時具有較大的靈活度。Ho等[47]使用人工神經網絡、邏輯回歸及決策樹3種算法構建了接受肝切除手術的肝細胞肝癌患者術后1、3、5年的無病生存率模型，并發現人工神經網絡模型的精確度更高，證明基于臨床數據構建的肝細胞肝癌患者行肝切除術后無病生存率的預測模型在醫療決策支持系統中應用的可行性。Chiu等[48]對434例接受過肝切除術的肝細胞肝癌患者的病歷資料進行分析，先用Cox回歸模型篩選出21個潛在輸入變量（特征），然后分別訓練人工神經網絡模型和邏輯回歸模型，來預測患者術后1、3、5年的生存率，結果顯示人工神經網絡優于邏輯回歸。Shi等[49]對22 926例接受過肝切除手術的肝細胞肝癌患者的1000對邏輯回歸模型和人工神經網絡模型進行評估，人工神經網絡模型在97.28%的病例中準確率更高，該研究也是目前檢索到的肝癌樣本量最大的神經網絡預測模型評估的研究。

射頻消融（radiofrequency ablation，RFA）、經導管肝動脈化療栓塞術（transcatheter arterial chemoembolization，TACE）作為一部分不能耐受術后切除的肝細胞肝癌患者的根治手段及晚期不能手術肝癌患者的治療手段，在肝癌的治療中占有重要地位。Liang等[50]對首次接受RFA治療的肝細胞肝癌患者利用遺傳算法（genetic algorithm，GA）、模擬退火算法（simulated annealing，SA）、隨機森林算法及混合的GA+隨機森林算法、SA+隨機森林算法5種特征選擇算法處理數據，篩選出16個臨床特征，然后用SVM算法訓練這些數據，最后得到準確度為82%的預測RFA術后復發模型。Abajian等[51]對36例經TACE治療的肝細胞肝癌患者在TACE治療前及治療后1個月分別行MRI檢查，然后分別用MRI數據和臨床資料訓練隨機森林和邏輯回歸，建立評估患者對TACE治療有無反應的預測模型，總體準確度為78%，并通過模型選出了最強預測因素為肝硬化和MRI影像中腫瘤信號強度＞27.0。

藥物潛在治療靶點的尋找：Yang等[52]利用SVM，確定了可能是肝癌治療靶點的化學敏感基因，包括MT1E、MYC和GADD45B；并預測了幾種已知的肝癌抑制劑，如格爾德霉素、alvespimycin（HSP90抑制劑）和多柔比星（化療藥物）。23種預測藥物中有7種是強心苷類，表明該種藥物與肝癌抑制之間存在關聯。該研究展示了使用基于初始體外藥物篩選的大型微陣列儲存庫的SVM模型在藥物篩選中的策略，從生物學角度驗證這些結果有助于開發更精確的化學敏感性模型。

此外，也有不少國內外學者使用機器學習對肝癌的致病因素及復發風險進行建模，這些研究為了提高預測模型的準確度，將研究點著重放在算法的優化及數據的處理上[53-59]。

4 其他

4.1 肝癌患者的呼吸動度研究

姚曄等[60]使用X線容積成像系統對某肝癌患者進行掃描，采集各時相呼吸運動圖像；利用碘油標記方法對肝癌病灶進行定位，并通過圖像檢測技術獲取病灶標記點的運動軌跡，對標記點的運動軌跡數據進行分析，建立人工神經網絡模型，并用其預測下一時間段的運動曲線，將預測結果與腫瘤標記點實際的運動軌跡進行比較分析。結果顯示利用人工神經網絡可以有效預測肝腫瘤的運動趨勢，在一定時間段內可保持良好的精準度，誤差在1個像素距離內，但在呼吸運動峰值處預測精準度尚不理想，誤差接近2個像素距離。該研究表明人工神經網絡模型是預測肝腫瘤運動的一種新方法，可能對肝癌的體部立體定向放療以及實時跟蹤放療精準度的提升有一定幫助，且具有一定的臨床價值。

4.2 肝癌患者HBV/HCV與細胞因子研究

Estevez等[61]檢測了411例病例的血清細胞譜，其中肝細胞肝癌患者102例：32%HBV感染，54%HCV感染，14%非HBV感染和非HCV感染；非肝細胞肝癌患者309例：39%HBV感染，39%HCV感染，22%非HBV和非HCV感染。使用隨機森林機器學習來獲得接受者操作者特征曲線并使用各個細胞因子的平均熒光強度的Z分數來確定單獨的細胞因子重要性。在肝細胞肝癌和非肝細胞肝癌患者中，HBV和HCV患者的細胞因子譜不同（肝細胞肝癌的曲線下面積為0.82，非肝細胞肝癌的為0.90），結果顯示有或無肝細胞肝癌的HBV或HCV感染的患者具有明顯不同的細胞因子概況，表明疾病發病機制和（或）疾病特征的潛在差異。

4.3 從HIS系統中提取患者的文本資料

對于住院的肝癌患者，包括腫瘤數量、大小和解剖部位的信息，通常只能在電子病歷（electronic medical record，EMR）中的臨床敘述中找到。Yim等[62]使用自然語言處理（natural language processing，NLP）提供了一種自動和可縮放的手段來提取這些信息，這可以進一步進行基于證據的研究。在本文中創建了一個注釋腫瘤信息的101個放射學報告的語料庫，之后應用機器學習算法來提取腫瘤信息。該研究為方便從HIS系統中提取臨床資料提供了方法。

未來，隨著深度學習的不斷發展，機器學習在肝癌研究領域的應用會更加寬廣和深入。在計算機科學的發展下，新的優秀的算法會不斷出現，使構建的模型準確度越來越高，泛化能力越來越強；在基因測序數據大量被積累的背景下，結合優良的機器學習算法，未來肝癌亞分類的模型會越來越有臨床實用性，尤其是深度學習在提取數據特征和高維數據的處理方面更加流行；深度學習在影像學圖像的處理中有著顯著的優勢，精度高、速度快、智能化是現在圖像識別模型的特點；近幾年量子計算機概念的出現，使得計算機運行速度突飛猛進，已有科學家開始研究經典人工神經網絡的量子泛化，如能用到肝癌的研究中，可能會產生革命性的影響[63-65]。