综述：自身免疫性肝炎的诊断：组织学相关性及新兴技术

本综述系统阐述了自身免疫性肝炎（AIH）诊断中组织学、血清学与生化指标间的复杂关联，强调了肝脏活检（Histology）作为诊断基石的重要性，同时指出当前在组织学活动与血清标志物（如ALT、IgG）相关性方面存在的挑战。文章重点探讨了新兴技术，如空间组学（Spatial Omics）和计算病理学（Computational Pathology），在揭示疾病异质性、克服采样误差以及发现新生物标志物（如pIgG）方面的巨大潜力，为未来实现AIH的精准诊断与个体化治疗提供了新视角。

自身免疫性肝炎的诊断挑战与核心地位

自身免疫性肝炎（AIH）是一种发病率逐渐升高的肝脏疾病，其诊断依赖于组织学、血清学和生化指标的综合评估。然而，AIH临床表现异质性大，可从无症状到暴发性肝衰竭，这使得诊断过程复杂化。肝脏组织学检查仍是诊断的基石，但将病理学发现与其他临床变量相关联常常充满挑战。

经典与特殊的组织学模式

根据国际AIH病理学组的最新共识，肝脏活检是诊断AIH的主要方法。典型的AIH组织学特征包括以门管区为主的淋巴细胞和浆细胞性肝炎，伴有显著的界面性肝炎和/或超出轻度的小叶性肝炎。以往认为具有诊断意义的特征，如 emperipolesis 和肝细胞玫瑰花结，在最新共识中已不再被视为诊断标准。值得注意的是，组织学发现本身不足以确诊AIH。

除了经典模式，AIH还可呈现特殊的组织学表现。中央小叶坏死（CN）伴门管区相对正常是一种罕见模式，通常与急性临床起病相关，可能代表门管区受累前的早期病变。巨细胞性肝炎是另一种罕见特征，在成人中称为婴儿后巨细胞性肝炎（PIGCH），其临床过程往往更为严重，常导致肝硬化和疾病进展。

组织学与血清标志物：不完美的关联

典型的AIH生化谱包括天冬氨酸转氨酶（AST）、丙氨酸转氨酶（ALT）和γ-谷氨酰转移酶（GGT）水平升高，而碱性磷酸酶（ALP）正常或仅轻度升高。虽然转氨酶水平常用于评估诊断时肝脏炎症，但其与组织学发现的相关性并不一致。研究表明，许多ALT和IgG水平正常的AIH患者仍存在显著的组织学炎症。在ALT正常的患者中，高达60%存在进展期炎症；而在ALT和IgG均正常的患者中，这一比例也达到51.7%。IgG未能正常化通常提示存在持续的亚临床炎症，并与更高的复发风险（增加3至11倍）相关。

自身抗体与组织学的弱相关性

自身抗体是AIH诊断的基石，约95%的患者按照国际自身免疫性肝炎组（IAIHG）建议进行检测时为阳性。传统上，AIH分为1型（AIH-1，与ANA和/或SMA相关）和2型（AIH-2，与抗-LKM1和/或抗-LC1相关）。然而，这种二元分类法日益被视为一种简化，未能完全反映疾病的异质性。

像ANA和SMA这样的自身抗体虽然对诊断有用，但在成人中与疾病活动度的相关性不佳。相比之下，SMA滴度大于1:80与更显著的疾病活动度相关。抗-唾液酸糖蛋白受体（ASGPR）抗体阳性也与AIH的组织学活动度相关，其持续存在提示对免疫抑制治疗无反应。约10%的AIH病例表现为典型症状和相容的组织学，但缺乏血清学阳性（血清阴性AIH）。血清阴性与血清阳性AIH在形态学特征上没有区别，尽管晚期组织学阶段更常见于血清阴性AIH。

组织学的预后与预测价值

虽然组织学特征对诊断AIH至关重要，但其预测长期预后的价值仍不确定。初次肝活检显示Ishak纤维化分期5或6期（肝硬化）与死亡或需要肝移植的风险显著升高相关。然而，轻度纤维化变化对结局的影响尚不清楚。迄今为止，尚无大型综合性研究专门探讨纤维化评估之外的组织学特征的预测作用。

单细胞与空间分辨技术：推进临床病理相关性

单细胞RNA测序（scRNA-seq）等技术的发展使得能够对成千上万个细胞进行分析，识别罕见细胞群体和动态细胞状态。然而，其解离性 nature 丧失了空间背景。空间组学技术，如空间转录组学（ST），通过在图谱组织内保留组织结构的同时映射基因表达，克服了这一限制。例如，10× Genomics Visium 可在约55微米的分辨率下捕获全转录组谱，实现对基因表达的组织范围映射。

空间蛋白质组学使用像Nanostring GeoMx数字空间分析仪（DSP）这样的技术，允许基于感兴趣区域（ROI）对FFPE切片中超过40种蛋白质或RNA靶点进行定量。成像质谱流式细胞技术（IMC）将其扩展到30-40种金属标记抗体，达到亚细胞分辨率。空间代谢组学通过基质辅助激光解吸/电离（MALDI）成像提供肝小叶内的代谢物分布。

将这些空间技术与AI驱动的图像分析相结合，可以完善AIH分类，改善生物标志物发现，并最终识别个性化治疗策略。

计算病理学：利用人工智能增强临床病理相关性

全玻片成像（WSI）的广泛采用正在改变病理学领域，使得能够从WSI和相关元数据中提取详细的定量信息。虽然大部分研究集中在肝脏肿瘤和MASLD等高患病率肝脏疾病上，但在自身免疫性肝病方面的努力已开始取得进展。

一些开创性研究已开始将AIH病例系列直接纳入其训练数据集。卷积神经网络（CNN）和U-Net架构已被应用于全玻片图像以描绘门管区，从而促进浆细胞计数、淋巴细胞密度和门管周围坏死性炎症的测量。弱监督方法，例如在六个欧洲中心标本上训练的自身免疫性肝脏神经估计器（ALNE），通过关注特征性炎症模式，能以0.81的AUROC区分AIH和原发性胆汁性胆管炎（PBC）。

基于生成对抗网络（GAN）的虚拟染色技术可以从标准的H&E切片数字合成复杂的组织学染色。对于AIH，这尤其相关，因为它可以在不需要额外切片的情况下虚拟生成特殊染色（如显示纤维化胶原纤维的马松三色染色）或用于细胞标记的多重免疫染色。

大型语言模型（LLM）的最新进展通过将定量图像分析与临床文本处理无缝集成，开始重塑AIH组织病理学领域。多模式LLM可以自动起草结构化的病理报告，将原始指标（例如，门管区计数或界面性肝炎评分）转化为标准化的分级和分期术语。

多模式整合的未来展望

一个新兴范式是数据的多模式整合，其中先进的计算模型试图将来自全玻片组织病理学图像的形态学特征与分子“组学”谱和临床参数合成，以构建更全面、生物学信息更丰富的疾病表征。例如，正在探索将H&E图像与空间转录组或蛋白质组谱合并的系统。

通过将空间转录组学数据纳入AI模型，可以将每个组织学区域与其相应的基因表达特征联系起来，从而弥合组织结构和分子机制之间的差距。展望未来，此类流程可以识别具有特定基因表达谱（例如，涉及适应性免疫的基因）的AIH亚组，这些亚组与不同的组织学模式相关。

结论

增进我们对AIH复杂生物学的理解对于改善组织学变化与临床结局相关的解读至关重要。尽管诊断方法取得了进展，但在将组织学特征与临床表现相关联以及预测疾病进展方面仍存在显著差距。解决这些差距需要更深入地了解AIH中免疫反应、组织损伤和疾病活动的潜在机制。

空间组学和计算病理学等新技术为增强这些相关性提供了有希望的机会。空间分辨技术可以绘制肝组织内的分子变化，而AI驱动模型可以更准确、可重复地评估组织学特征，增进我们对组织学与临床结局之间关系的理解。

这些进步也支持更好的疾病分层，使得能够基于特定的组织学和分子谱实现更个性化的治疗方法。未来的研究应侧重于在更大、多样化的人群中验证这些方法，以确保其临床实用性。