慢性乙型肝炎（Chronic hepatitis B，CHB）相关肝纤维化是导致严重肝脏并发症的主要因素，抗病毒治疗后患者的组织学结局存在显著个体差异。组织病理学图像蕴含丰富的生物学信息，本研究旨在利用组织病理学图像联合临床特征，开发并验证一种基于深度学习的多模态预测模型，用于评估抗病毒治疗后肝纤维化的逆转情况。

这项多中心研究共纳入来自14家机构的238例患者，所有患者均接受抗病毒治疗。本研究将患者分为训练集（114例）、验证集（50例）和测试集（74例）。分别基于苏木精-伊红（H&E）和Masson染色图像构建卷积神经网络模型，随后联合临床特征构建多模态融合预测模型，用于评估抗病毒治疗后的纤维化逆转情况。

基于H&E染色图像的模型在验证集和测试集中的受试者工作特征曲线下面积（Area under the receiver operating characteristic curve，AUC）分别为0.657和0.615；Masson染色模型在相应数据集中AUC分别为0.727和0.676；仅基于临床特征的模型在验证集和测试集中的AUC分别为0.658和0.588。多模态融合模型展现出更优的区分能力，在验证集和测试集中的AUC分别达到0.741和0.694。亚组分析显示，该模型在进展期纤维化患者（AUC=0.779）和HBeAg阳性患者（AUC=0.755）中具有更为稳健的预测能力。基于梯度加权的类别激活热图显示，模型主要关注与未逆转相关的关键组织学特征包括肝细胞变性、肝索结构紊乱以及桥接纤维间隔增厚。

基于数字病理图像和临床特征的深度学习模型能够准确预测CHB相关肝纤维化患者抗病毒治疗后的逆转结局，尤其在进展期纤维化和HBeAg阳性人群中表现突出，为制定个体化治疗方案提供了重要参考依据。