干擾素治療慢性乙型肝炎療效預測人工神經網絡模型的建立與應用

傅曉華 羅純 高思明 傅曉霞 盧榮奎 容海鷹

中圖分類號 R512.6+2;R975 文獻標志碼 A 文章編號 1001-0408（2021）10-1257-05

DOI 10.6039/j.issn.1001-0408.2021.10.17

摘 要 目的：建立預測干擾素治療慢性乙型肝炎（CHB）療效的人工神經網絡（ANN）模型，以期為臨床選擇適宜的CHB治療方案提供依據。方法：回顧性分析2011年7月-2019年11月廣州市第八人民醫院接受干擾素治療的92例CHB患者的臨床資料，收集其基本信息、生化指標、血常規指標、病毒學標志物等。按干擾素療效分為應答組（73例）和無應答組（19例），采用Minitab 18.0統計軟件進行多因素Logistic 回歸分析以篩選影響干擾素療效的因素;采用Neurosolutions 5.0軟件隨機抽取約30%的CHB患者（27例）作為測試組建立ANN模型并進行驗證。結果：患者的平均血小板體積、血小板分布寬度、直接膽紅素、乙肝e抗原水平、乙肝病毒DNA大于4×107 IU/mL對干擾素應答有顯著影響（P<0.05）。ANN測試組應答預測的準確率、特異性、工作特征曲線下面積均顯著高于Logistic回歸（P<0.05）。結論：ANN模型預測干擾素治療CHB療效的準確性較好。

關鍵詞 干擾素;慢性乙型肝炎;人工神經網絡;療效;預測

Establishment and Application of Artificial Neural Network Model in Predicting Clinical Efficacy of Interferon for Chronic Hepatitis B

FU Xiaohua1，LUO Chun2，GAO Siming1，FU Xiaoxia2，LU Rongkui1，RONG Haiying3（1. Dept. of Pharmacy， Guangzhou Xinhai Hospital， Guangzhou 510300， China; 2. Dept. of Traditional Chinese Medicine， Guangzhou Eighth Peoples Hospital， Guangzhou 510060， China; 3. Dept. of Gastroenterology， Guangzhou Xinhai Hospital， Guangzhou 510300， China）

ABSTRACT? ?OBJECTIVE： To establish artificial neural networks （ANN） model to predict the interferon in the treatment of chronic hepatitis B （CHB）， and to provide evidence for selecting suitable CHB therapy plan in clinic. METHODS： The clinical data of 92 CHB patients treated by interferon， from Guangzhou Eighth Peoples Hospital were retrospectively analyzed from Jul. 2011 to Dec. 2019. The basic information， biochemical indexes， blood routine indexes and virological markers of patients were collected. According to the effect of interferon， the patients were divided into response group （73 cases） and non-response group （19 cases）. Minitab 18.0 software was used for multivariate Logistic regression analysis to screen the factors influencing the efficacy of interferon. Neurosolutions 5.0 software was used to randomly select 30% of patients with CHB （27 cases） as the test group to establish and verify the ANN model. RESULTS： The mean platelet volume， platelet distribution width， direct bilirubin， hepatitis B e antigen and hepatitis B virus DNA more than 4×107 IU/mL had significant effect on interferon response （P<0.05）. The accuracy， specificity and area under characteristic curve of ANN test group were significantly higher than those of Logistic regression （P<0.05）. CONCLUSIONS： ANN model is accurate in predicting the efficacy of interferon in the treatment of CHB.

KEYWORDS? ?Interferon; Chronic hepatitis B; Artificial neural network; Therapeutic efficacy; Prediction

慢性乙型肝炎（CHB）是一個嚴重危害人類健康的公共衛生問題。我國屬乙型肝炎病毒（HBV）感染高流行區，2020年我國CHB感染902 476例、死亡464例[1]。目前，臨床治療CHB的抗病毒藥物主要有干擾素和核苷（酸）類似物[2]。其中，核苷（酸）類似物是常規治療CHB 的一線抗病毒藥物，其抗病毒效果好且耐藥率低，但治療周期較長，停藥后易復發[3]。相較于核苷（酸）類似物，干擾素具有良好的免疫調節作用和抗病毒作用，可以特異性地增強患者體內T淋巴細胞的功能，具有療程短、應答持久、無病毒變異和耐藥等優點[4]。但研究者在臨床工作中發現，干擾素的總體有效率較低，這可能與其抑制病毒復制的能力較弱且存在患者應答不佳的情況有關[5]。因此，如何早期預測CHB患者接受治療后的應答率以篩選出干擾素治療應答的優勢人群，這在臨床治療中顯得尤為重要。

人工神經網絡（ANN）不需要了解藥物的作用機制，只需依據學習試驗數據建立輸入與輸出的關系，通過模擬生物神經網絡的結構和功能，即可得到用于預測藥動學參數和判斷臨床療效的網絡系統[6]。基于上述特點，ANN已在藥動學、藥效學領域得到廣泛應用[6]。已有文獻報道，ANN可用于預測干擾素治療丙型肝炎以及阿德福韋酯、拉米夫定治療乙型肝炎的療效[7-11]。基于此，本研究回顧性分析了接受聚乙二醇干擾素α-2a（PegIFNα- 2a）治療的CHB患者的臨床資料，采用ANN建立相應模型，并對上述患者的療效進行預測，以期為臨床選擇適宜的CHB治療方案提供依據。

1 資料與方法

1.1 納入與排除標準

納入標準：（1）CHB患者，其診斷符合中華醫學會肝病學分會和中華醫學會感染病學分會制定的《慢性乙型肝炎防治指南（2010年版）》以及《慢性乙型肝炎防治指南（2019年版）》中的相關診斷標準[12-13];（2）接受干擾素治療;（3）年齡16～65歲;（4）性別不限。

排除標準：（1）半年內接受過干擾素或拉米夫定等抗病毒藥物治療者;（2）接受干擾素與核苷（酸）類似物聯合治療者;（3）丙型肝炎病毒、丁型肝炎病毒或人類免疫缺陷病毒合并感染者;（4）妊娠期及哺乳期婦女;（5）自身免疫性疾病、失代償期肝硬化者。

1.2 資料來源

收集2011年7月-2019年11月廣州市第八人民醫院接受PegIFNα-2a治療的92例CHB患者的臨床資料，其中男性67例、女性25例，年齡（31.1±7.4）歲;PegIFNα-2a給藥劑量135～180 μg。收集資料包括：（1）患者基本信息，如性別、年齡;（2）生化指標，包括丙氨酸轉氨酶（ALT）、天冬氨酸轉氨酶、堿性磷酸酶、γ-谷氨酰轉肽酶、膽堿酯酶、乳酸脫氫酶、直接膽紅素、間接膽紅素、總膽紅素;（3）血常規指標，包括紅細胞、白細胞、血紅蛋白、血小板、平均紅細胞血紅蛋白含量、平均紅細胞血紅蛋白濃度、平均紅細胞體積、平均血小板體積、血小板分布寬度，以及活化部分凝血活酶時間、血糖、游離三碘甲狀腺原氨酸、游離甲狀腺素、促甲狀腺激素等;（4）病毒學標志物，包括乙肝表面抗原、乙肝表面抗體、乙肝e抗原（HBeAg）、乙肝e抗體、乙肝病毒DNA（HBV DNA）水平及HBV DNA是否大于4×107 IU/mL[2]。本研究方案經醫院醫學倫理委員會審核批準（批件號GZXH倫理審查〔項〕2017001）。

1.3 用藥方法

所有患者均給予英國Roche Registration Ltd.生產的PegIFNα-2a注射液（國藥準字J20070055、J20120075、J20160077，規格180 ?g/0.5 mL;國藥準字J20070054、J20120074、J20160076，規格135 ?g/0.5 mL），初始劑量180 ?g，每周1次，皮下注射。若患者出現中度和重度不良反應，劑量可減至135 μg。用藥療程為1年。

1.4 療效判定標準

根據患者接受治療24周后的各項檢查指標來綜合判定療效，分為應答和無應答。應答包括完全應答和部分應答。完全應答：HBeAg陽性患者，治療后ALT恢復正常，HBV DNA檢測不出（PCR法）且可見HBeAg血清學轉換（HBeAg轉陰而乙肝e抗體轉陽）;HBeAg陰性患者，治療后ALT恢復正常，HBV DNA檢測不出。部分應答：HBeAg陽性患者，治療后ALT恢復正常，HBV DNA<2×104 IU/mL但未見HBeAg血清學轉換。無應答：未達到上述應答標準[14]。

1.5 ANN模型輸入變量篩選方法

將所有患者按療效分為應答組（73例）和無應答組（19例），以療效為輸出變量（無應答=0，應答=1），以應答組與無應答組比較結果中有統計學意義的指標（治療前）為輸入變量，采用多因素Logistic回歸分析以Mini- tab 18.0統計軟件篩選PegIFNα-2a注射液治療效果（即應答）的影響因素并作為ANN的輸入變量。

1.6 ANN模型建立及驗證方法

采用Neurosolutions 5.0軟件隨機抽取約30%的CHB患者（27例）作為測試組，其余患者（65例）作為訓練組（試驗組抽取比例根據軟件建議及前期預試驗結果確定）。以訓練組療效為輸出變量（應答=1，無應答=0），以“1.5”項下篩選出的干擾素應答影響因素為輸入變量，采用反向傳播神經網絡建模。采用Neurosolutions 5.0軟件，利用遺傳算法配合動量法對上述ANN模型進行訓練。網絡訓練終止條件為軟件默認值：網絡平均平方誤差（MSE）小于給定值0.01，或交叉驗證數據MSE開始增加，或達到預定的進化代數100;網絡最大訓練次數為1 000次，其他參數為默認值，得到應答影響因素與應答之間的非線性映射模型。

以篩選出的測試組患者的干擾素療效考察該組實際應答與預測結果的差異，計算預測準確率、敏感性、特異性：準確率=測試組預測療效與實際應答相符的例數/測試組例數×100%，敏感性=干擾素應答患者預測療效與實際應答相符的例數/干擾素應答患者例數×100%，特異性=干擾素無應答患者預測療效與實際應答相符的例數/干擾素無應答患者例數×100%[7-9，11]。

1.7 統計學方法

采用χ 2檢驗以Minitab 18.0統計軟件比較ANN模型與Logistic回歸模型在預測準確率、敏感性、特異性等方面的差異;采用Medcalc 19.0軟件繪制測試組患者ANN模型工作特征（ROC）曲線，并計算ROC曲線下面積（AUROC）。計數資料以例數表示，采用χ 2檢驗;正態分布的計量資料以x±s表示，采用單因素方差分析;非正態分布的計量資料用中位數（四分位間距）表示，采用Mann-Whitney U檢驗。P<0.05為差異有統計學意義。

2 結果

2.1 訓練組和測試組基本資料比較

兩組患者年齡、性別等基本資料比較，差異均無統計學意義（P>0.05），具有可比性，可進行ANN模型建立，詳見表1。

2.2 ANN模型輸入變量的篩選結果

經Logistic回歸分析發現，治療前患者平均血小板體積、血小板分布寬度、直接膽紅素、HBeAg水平、乙肝病毒DNA大于4×107 IU/mL等5個因素對干擾素應答有顯著影響，詳見表2。

2.3 ANN建模及模型驗證

共建立3層結構的ANN，分別為網絡輸入層（即輸入變量）、隱含層和輸出層，其對應的節點數分別為 6、5、2，隱含層及輸出層采用正切S型激活函數。輸入變量為平均血小板體積、血小板分布寬度、直接膽紅素、HBeAg水平、HBV DNA大于4×107 IU/mL，輸出變量為干擾素應答情況。

ANN測試組療效的預測特異性、準確率、AUROC均顯著高于Logistic回歸（P<0.05），詳見表3。ROC曲線位于對角線左側，表示AUROC大于0.5，所建模型可用于預測療效，詳見圖1。

3 討論

干擾素具有良好的免疫調節和抗病毒雙重作用，可以特異性增強患者T淋巴細胞的功能[4-5]。相較于核苷（酸）類似物，干擾素具有療程短、應答持久、無病毒變異和耐藥等優點[4-5]。但干擾素單用的療效不理想，僅部分患者有效，總體有效率較低，且具有明顯的個體差異[5]。一般來說，HBeAg 陽性患者的應答率約為30%，HBeAg 陰性患者的應答率約為40%[15-16]。除療效不佳外，干擾素引起的不良反應相對較多、耐受性相對較差、給藥方式不便等問題也不易被患者接受[12]。有研究認為，干擾素治療6個月后無應答者，可改用核苷（酸）類似物或采用聯合治療方案[2，17]。因此，在規范的抗病毒治療過程中根據患者具體情況實施個體化治療對于提高治療應答率至關重要。基于此，本研究采用ANN建立預測模型，對CHB患者應用干擾素治療24周后的療效進行預測，以便臨床及時調整治療方案，實現干擾素的個體化治療。

長期臨床試驗及實踐均證實，CHB 患者抗病毒治療的療效受其年齡、HBV DNA 載量、HBeAg 水平、肝功能、免疫狀態、肝臟炎癥及纖維化程度等多種因素的影響，治療前ALT水平較高、HBV DNA<4×107 IU/mL、HBV基因A型、肝組織炎性壞死較重、纖維化程度輕者常可獲得較好療效[2]。基線HBeAg水平對HBeAg血清學轉換也有一定的預測價值[18]。本研究結果也顯示，治療前HBV DNA>4×107 IU/mL、HBeAg水平對干擾素治療24周后的患者應答有顯著影響。

CHB患者因肝細胞損害、肝內外膽道阻塞、膽紅素代謝異常和溶血等，可發生膽紅素升高[2，13]。本研究中，直接膽紅素對干擾素治療24周后的患者應答有顯著影響，可能與膽紅素是一種內源性的強抗氧化劑，可保護細胞免受氧化損傷，以及具有抗炎、免疫調節等作用有關[19]。此外，有文獻報道，血清膽紅素水平升高的CHB患兒免疫功能可能被強化，在抑制HBV復制方面的作用更明顯，因此干擾素的療效較好[20]。對于接受干擾素治療的患者，基線ALT≥5倍正常值上限（ULN）的患者可能會獲得更好的療效[16，21]。而本研究中并未發現患者治療前ALT對干擾素應答有顯著影響，故未將其納入為ANN輸入變量，這可能與患者例數較少且絕大多數患者ALT<5倍ULN有關。

肝臟纖維化程度輕的CHB患者，干擾素抗病毒療效較好[2]。研究表明，肝病尤其是肝纖維化可引起患者血小板數量下降，且外周血中血小板數量與其病變的程度相關[22]。血小板減少與血小板消耗、破壞增加或分布異常有關[22]。在肝纖維化患者體內，約50%～90%的血小板滯留在脾臟，這可導致外周血中血小板水平降低[23]。血小板與肝纖維化呈負相關，血小板是肝纖維化的獨立性危險因素[24]。目前，臨床也采用血清學指標如天冬氨酸轉氨酶與血小板比率、γ-谷氨酰轉肽酶與血小板比率作為診斷CHB患者肝纖維化的指標[25-28]。為適應血小板減少時機體的需要，肝纖維化患者體內出現大體積血小板，體積大小差異縮小，表現為平均血小板體積增大、血小板分布寬度降低，因此平均血小板體積、血小板分布寬度可以作為肝纖維化的診斷指標[29]。有研究表明，平均血小板體積是自身免疫性肝炎進展為肝硬化的獨立危險因素，可作為監測自身免疫性肝炎患者病程進展的參考指標[30]。平均血小板體積也是影響HBV相關慢性、急性肝衰竭預后的獨立危險因素，對預后具有良好的預測價值[31]。本研究結果顯示，平均血小板體積、血小板分布寬度可顯著影響CHB患者對干擾素的應答，這可能與血小板是肝纖維化的獨立危險因素有關[24]。

ANN通過對大量數據進行“學習”來積累“經驗”，有效接近樣本蘊含的內在規律，從而對新的數據進行預測[6]。本研究結果顯示，ANN預測干擾素治療24周后患者應答的準確率顯著優于Logistic回歸（85.18%vs. 74.07%，P<0.05）。ROC曲線是目前學術界公認的判斷診斷價值的最佳方法，其將敏感性與特異性以圖示的形式結合在一起，用于綜合評價模型預測效率，效果優于敏感性、特異性等單一指標，其中AUROC值越大，ROC曲線越接近左上角，則模型預測效果越好、診斷價值越高[7-9，11]。本研究中，ANN預測模型的AUROC為0.807，顯著高于Logistic回歸預測結果的AUROC（0.593，P<0.05），該ANN模型的敏感性為90.00%，特異性為71.43%，表明ANN模型具有更好的預測價值。

綜上所述，ANN模型預測干擾素治療CHB療效的準確性較好。由于本研究納入的樣本量較小，故此結論尚續需前瞻性研究進一步驗證。

參考文獻

[ 1 ] 國家衛生健康委. 2020年全國法定傳染病疫情概況[R/OL]. [2021-03-12]. http：//www.nhc.gov.cn/jkj/s3578/2021- 03/f1a448b7df7d4760976fea6d55834966.shtml.

[ 2 ] 陳灝珠，林果為，王吉耀.實用內科學[M]. 14版.北京：人民衛生出版社，2013：425-437.

[ 3 ] 馬雙雙，郜玉峰.核苷經治的慢性乙型肝炎患者序貫或聯合聚乙二醇干擾素治療進展[J].安徽醫科大學學報，2016，51（8）：1231-1234.

[ 4 ] 萬謨彬，翁心華.干擾素治療慢性乙型肝炎專家建議的若干補充[J].中華傳染病雜志，2012，30（12）：705-710.

[ 5 ] 陸志檬，謝青，張大志，等.聚乙二醇干擾素α-2a聯合核苷（酸）類似物治療慢性乙型肝炎研討會紀要[J].中華肝臟病雜志，2011，19（3）：228-231.

[ 6 ] 單琪媛，陳淵成，曹崗，等.人工神經網絡在藥動學和藥效學研究中的應用新進展[J].中國藥學雜志，2012，47（17）：1345-1349.

[ 7 ] TETSURO T，HIROTOSHI E，SHINICHIRO T，et al. Prediction of effect of pegylated interferon alpha-2b plus ribavirin combination therapy in patients with chronic hepatitis C infection[J]. PLoS One，2011，6（12）：e27223.

[ 8 ] KE W S，HWANG Y C，LIN E. Pharmacogenomics of drug efficacy in the interferon treatment of chronic hepatitis C using classification algorithms[J]. Adv Appl Bioinform Chem，2010，3：39-44.

[ 9 ] SARGOLZAEE AVAL F，BEHNAZ N，RAOUFY M R，et al. Predicting the outcomes of combination therapy in patients with chronic hepatitis C using artificial neural network[J]. Hepat Mon，2014，14（6）：e17028.

[10] 趙攀，王浩，王春亞，等.人工神經網絡預測阿德福韋酯單用治療拉米夫定耐藥慢性乙型肝炎患者的療效[J].胃腸病學和肝病學雜志，2015，24（5）：542-543.

[11] IQBAL S，MASOOD K，JAFER O. An ANN model for treatment prediction in HBV patients[J]. Bioinformation，2011，6（6）：237-239.

[12] 中華醫學會肝病學分會，中華醫學會感染病學分會.慢性乙型肝炎防治指南：2010年版[J].中國肝臟病雜志，2011，3（1）：40-56.

[13] 中華醫學會肝病學分會，中華醫學會感染病學分會.慢性乙型肝炎防治指南：2019年版[J].中國醫學前沿雜志，2019，11（12）：51-77.

[14] 中華醫學會肝病學分會，中華醫學會感染病學分會.慢性乙型肝炎防治指南[J].實用肝臟病雜志，2006，9（1）：8-18.

[15] 侯鳳琴，尹亞琳，曾玲英，等.聚乙二醇干擾素α-2b（Y型，40 kD）注射液治療HBeAg陽性慢性乙型肝炎患者的療效和安全性分析[J].中華肝臟病雜志，2017，25（8）：589- 596.

[16] 張文宏，張大志，竇曉光，等.聚乙二醇干擾素α治療慢性乙型肝炎專家共識[J].中華肝臟病雜志，2017，25（9）：678-686.

[17] 王欣欣，袁國盛，賴靜蘭，等. HBeAg陽性慢性乙型肝炎患者干擾素治療24 周應答不佳時的治療方案[J].南方醫科大學學報，2015，35（6）：807-811.

[18] 于德敏，張欣欣.血清HBsAg定量檢測在慢性乙型肝炎臨床診療中的應用及其意義[J].臨床肝膽病雜志，2019，35（10）：2150-2155.

[19] 梁小明，邵天偉，陳昌輝.膽紅素對機體的病理損傷和生理保護作用[J].實用醫院臨床雜志，2012，9（3）：172-173.

[20] 劉芳，趙晶瑩. IFN-α對慢性乙型肝炎患兒的療效及影響因素[J].中國衛生工程學，2019，18（5）：792-793.

[21] 肖芷琪，周福元，周彬，等.慢性乙型肝炎患者的基線丙氨酸氨基轉移酶水平與抗病毒療效的關系[J].南方醫科大學學報，2019，39（2）：150-155.

[22] 叢玉隆，魏玉香，張立文，等.肝硬化患者凝血、抗凝及纖溶指標的變化與Child-Pugh分級的關系[J].中華肝臟病雜志，2005，13（1）：31-34.

[23] 徐瑞，常江，黃華，等.慢性乙型肝炎患者臨床指標與肝臟纖維化程度關系及明顯肝纖維化危險因素的Logistic回歸分析[J].世界華人消化雜志，2016，24（2）：279-286.

[24] 竇芊，楊瑞，王園園，等.慢性乙型肝炎患者實驗室檢查指標與肝纖維化程度的關系[J].中國老年學雜志，2017，37（2）：658-660.

[25] BRANCHI F，CONTI C B，BACCA R，et al. Non-invasive assessment of liver fibrosis in chronic hepatitis B[J].World J Gastroenterol，2014，20（40）：14568-14580.

[26] DESALEGN H，ABERRA H，BERHE N，et al. Are non- invasive fibrosis markers for chronic hepatitis B reliable in sub Saharan Africa？[J]. Liver Int，2017，37（10）：1461- 1467.

[27] XIAO G Q，YANG J Y，YAN L. Comparison of diagnostic accuracy of aspartate aminotransferase to platelet ratio index and fibrosis-4 index for detecting liver fibrosis in adult patients with chronic hepatitis B virus infection：a systemic review and meta-analysis[J]. Hepatology，2015，61（1）：292-302.

[28] LEMOINE M，SHIMAKA Y，NAYAGAM S，et al. The gamma-glutamyl transpeptidase to platelet ratio（GPR）predicts significant liver fibrosis and cirrhosis in patients with chronic HBV infection in West Africa[J]. Gut，2016，65（8）：1369-1376.

[29] 郭秀榮. MPV和PDW在常見血小板減少性疾病鑒別診斷中的應用[J].中國現代醫生，2009，47（7）：124-125.

[30] 曾婷婷，譚立明，田永建，等.紅細胞分布寬度及平均血小板體積對自身免疫性肝炎肝硬化的預測與診斷價值[J].解放軍醫學雜志，2018，43（12）：1039-1043.

[31] 徐英，黃小平，陳麗，等.平均血小板體積對HBV相關慢加急性肝衰竭預后的評估價值[J].臨床肝膽病雜志，2020，36（10）：2199-2202.

（收稿日期：2020-12-16 修回日期：2021-04-05）

（編輯：陳 宏）