目的:探究人工神经网络（Artificial Neural Network,ANN）模型在乙型肝炎病毒（Hepatitis B virus,HBV）相关性肝硬化无创诊断中的应用与价值。方法:回顾性分析广西医科大学附属肿瘤医院2013年09月18日至2017年12月21日行肝切除术治疗的1152例肝细胞癌（Hepatocellular carcinoma,HCC）患者临床资料。按照3:1比例随机匹配原则将患者分为建模组（864例）和验证组（288例）。应用Logistic回归分析建模组中与肝硬化发生相关的独立危险因素,随后建立HBV相关性肝硬化无创诊断的ANN模型。应用受试者工作特征曲线下面积（Area under the receiver operating characteristic curve,AUC）分别在建模组、验证组评估该模型诊断肝硬化的准确度,并将ANN模型和Child-Pugh评分,终末期肝病预后模型（Model for end-stage liver disease,MELD）评分,白蛋白-胆红素（Albumin-bilirubin,ALBI）评分,天门冬氨酸氨基转移酶-血小板比值指数（Aspartate aminotransferase to platelet ratio index,APRI）评分,基于4因子的纤维化指数（Fibrosis index based on 4 factors,FIB-4）评分,天门冬氨酸氨基转移酶-丙氨酸氨基转移酶比值（Aspartate aminotransferase to alanine amin otransferase ratio,AAR）评分,γ-谷酰胺转酞酶-血小板比率（Gamma-glutamyl transpeptidase to platelet ratio,GPR）评分进行比较,评价各诊断模型的优劣,并分析ANN模型与肝硬化发生的关系。结果:单因素及多因素Logistic回归分析结果提示,总胆红素（Total bilirubin,T-Bil）,血小板计数（Platelet count,PLT）,凝血酶原时间（Prothrombin time,PT）及年龄（Age）和肝硬化发生密切相关,并结合以上四个指标建立诊断肝硬化的ANN模型。受试者工作特征（Receiver operating characteristic,ROC）曲线分析结果提示,在建模组中ANN模型（AUC=0.757）诊断肝硬化的准确度优于Child-Pugh评分（AUC=0.532）,MELD评分（AUC=0.594）,ALBI评分（AUC=0.575）,APRI评分（AUC=0.621）,FIB-4评分（AUC=0.644）,AAR评分（AUC=0.491）,GPR评分（AUC=0.604）。在验证组也得到相似的结果（AUC:0.767比0.538比0.544比0.512比0.603比0.582比0.470比0.623）。ANN模型诊断肝硬化的最优临界值为0.45,此时的灵敏度和特异度分别为75.0%和60.7%,高风险组（>0.45）患肝硬化的风险高于低风险组（≤0.45）。结论:ANN模型诊断HBV相关性肝硬化的准确度优于Child-Pugh评分、MELD评分、ALBI评分、APRI评分、FIB-4评分、AAR评分、GPR评分,对于临床诊断HBV相关性肝硬化患者及其治疗决策具有一定的指导意义。