非酒精性脂肪性肝病（NAFLD）已成为全球和我国慢性肝病的主要病因，其疾病谱包括单纯肝脏脂肪变、非酒精性脂肪性肝炎（NASH）、肝硬化和肝细胞癌，并可引起肝内外并发症和死亡。因此，识别NAFLD高危人群、明确疾病状态是危险分层、治疗选择、预后评估的基础。此外，NAFLD的多学科干预和NASH新药研发也是NAFLD治疗环节中亟待解决的问题。

近年来，人工智能（AI）成为推动社会经济发展的新动力之一。2018年，国务院办公厅发布的《关于促进"互联网+医疗健康"发展的意见》中提到，要研发基于AI的临床诊疗决策支持系统，开展智能医学影像识别、病理分型和多学科会诊，提高医疗服务效率。近年来，越来越多的研究证实，在脂肪肝领域应用AI技术，可以有效提高诊断效率、协助规划治疗方案并助力新药研发。

作为临床医生最熟悉的电子病历系统（EHRs），涵盖了大宗人口信息、临床资料和共病记录，反映患者疾病演变进程和临床结局事件。基于EHRs的AI模型可以在人群中实现NAFLD患者的自动筛查，并自动识别NASH高危患者。在此基础上，应用卷积神经网络（CNN）的深度学习还可以自动更新病历资料，建立时间依赖性模型，从而更接近真实世界数据库变化。除此以外，应用自然语言分析（NLP）方法还可以通过自动提取病历文本、影像报告和病理描述中的疾病特征，有效提高NAFLD疾病诊断率。

NASH是NAFLD的疾病进展环节，NASH合并肝纤维化是不良预后的危险因素，确诊手段为肝活检，而肝脏病理诊断可能受到医生判读误差的影响。因此，近年来多项研究通过探索肝脏病理的自动识别发现，基于肝脏病理的AI算法可以有效区分NASH重要病理特征（气球样变、小叶炎症、脂肪变和纤维化）。笔者团队应用二次谐波/双光子荧光（SHG/TPEF）技术研发的qFIBS自动病理评分工具能够高效识别以上病理特征，并有效区分早期NASH肝纤维化，这一重要发现不但有效提高了诊断率，也为NASH新药研发的患者入组提供了更准确的证据。

改善生活方式是治疗NAFLD的重要环节，如改变饮食结构、减重，然而方式方法在不同的患者间存在差异。近年来，基于AI的佩戴设备，可以记录患者的饮食、运动情况，并通过数据的整合，在结合患者自身数据（如身体活动、压力、睡眠等）后，可以提供更为个性化的饮食和营养建议。

在NASH新药研发过程中，作用靶点的选择是基石。在AI技术协助下，可以高效、快速、相对低成本地进行靶点筛选。在深层分子图谱的背景下，结合多种组学信息，就可能在临床前阶段证实药物效果。

目前AI在NAFLD中应用的研究数量激增，但仍存在一些限制及不足。从AI本身存在的问题上：（1）AI模型基于数据，参数的混淆因素、误差和算法的选择均可能影响模型的准确性；（2）某些模型算法可能仅适用于特定的数据类型，对训练数据进行模型的过度拟合，也会导致模型出现偏移；（3）AI潜在的"黑箱效应"和"鲁棒性"。在NAFLD疾病的诊疗角度上：（1）对肝脏病理的图像识别仍无法避免肝活检，而预测模型对肝纤维化的定量潜能仍待开发；（2）AI在疾病诊疗中并不能完全替代临床医生，其给医生带来的信息的效率和信度，以及两者之间的权衡关系仍需进一步探讨。