磁共振成像及人工智能影像組學在肝纖維化診斷中的應用進展

[摘要] 肝纖維化是慢性肝炎向肝硬化及終末期肝病發展的必經階段。研究認為肝纖維化的病理變化是可逆的，可被早期診斷并進行干預。無創肝纖維化評估已成為當前肝病學的研究重點之一。磁共振彈性成像技術可利用剪切波探測器官硬度，結合T₁加權成像、T₂加權成像和彌散加權成像的多模態磁共振成像（magnetic resonance imaging，MRI）數據，用于肝纖維化診斷的定量評估。計算機人工智能可對肝多模態MRI數據進行快速影像組學分析，提高肝纖維化的診斷精度。本文就MRI及人工智能影像組學在肝纖維化評估中的應用進展作一綜述。

[關鍵詞] 磁共振成像；肝纖維化；影像組學；人工智能；深度學習

[中圖分類號] R445.2" """"[文獻標識碼] A """""[DOI] 10.3969/j.issn.1673-9701.2025.03.025

肝纖維化是指肝臟細胞外基質（膠原蛋白、非膠原糖蛋白、彈性蛋白、蛋白聚糖和氨基聚糖等）因肝臟慢性損傷而出現分布異常和過度沉積的肝臟疾病，是慢性肝炎向肝硬化轉歸過程的關鍵步驟^[1]。大多數肝纖維化的病因以慢性乙型病毒性肝炎為主。研究表明早期的抗病毒治療可逆轉慢性乙型病毒性肝炎引起的肝纖維化進程，但如果進入肝硬化階段，結局將不可逆轉^[2]。因此，肝纖維化早期診斷對延緩肝纖維化進程意義重大。目前而言，肝纖維化診斷仍以肝穿刺活檢術結果為“金標準”。按Metavir標準實施肝穿刺活檢術并執行肝纖維化分期診斷：F0：無纖維化；F1：匯管區纖維化，無纖維間隔；F2：纖維間隔較少，僅匯管區存在纖維化；F3：大量纖維間隔，但未進展為肝硬化；F4：肝硬化^[3]。然而，肝穿刺活檢術存在并發癥風險、抽樣偏倚及可重復性不高等缺陷，故臨床應用存在一定限制^[4]。在國際肝病學研究中，無創肝纖維化評估方法作為肝穿刺活檢術的替代方法已成為研究重點之一。

醫學影像學檢查在無創肝纖維化檢查方面具有一定意義，尤其是磁共振成像（magnetic resonance imaging，MRI）技術，被認為是肝纖維化檢測最有前景的影像檢查技術^[5]。近年來，人工智能（artificial intelligence，AI）技術與影像組學在醫學領域中的應用日漸廣泛。基于深度學習的AI技術是目前較前沿的計算機技術，其能比人眼更快速、更深入地挖掘信息，幫助臨床醫生更準確地做出決策^[6]。本文對MRI及AI影像組學在肝纖維化評估中的研究進展作一概述。

1" MRI技術在肝纖維化分期中的應用

常規MRI技術對形態學改變明顯的肝硬化診斷有一定的價值，但診斷早期肝纖維化的敏感度較差^[7]。近年來，MRI技術發展迅猛，多種定量MRI技術應運而生，多應用于肝纖維化影像學研究。如彌散加權成像（diffusion weighted imaging，DWI）、彈性成像等技術都可在一定程度上提高肝纖維化的評價能力。釓塞酸二鈉（Gadolinium-ethoxybenzyl- diethylenetriamine penta-acetic acid，Gd-EOB-DTPA）可被肝細胞特異性攝取，是一種廣泛應用于慢性肝臟疾病診斷的新型對比造影劑。隨著肝纖維化程度的加重，患者對Gd-EOB-DTPA的吸收受到顯著影響。研究表明Gd-EOB-DTPA增強MRI可被應用于肝纖維化診斷^[8-9]。DWI可通過肝組織水分子彌散運動情況反映肝纖維化程度。研究表明伴隨著肝纖維化程度的加重及分級進展過程中越來越多的膠原沉積，水分子擴散愈加減弱，表觀彌散系數（apparent diffusion coefficient，ADC）值也隨之遞減，提示ADC值與肝纖維化分期存在高度負相關性^[10-11]。

磁共振彈性成像（magnetic resonance elastography，MRE）可根據肝硬度值（liver stiffness measurement，LSM）間接評估肝纖維化分期。這種重要的影像學方法被認為是肝纖維化診斷和分期最準確的無創技術。Gidener等^[12]通過應用MRE測量LSM以研究非酒精性脂肪性肝病（non-alcoholic fatty liver disease，NAFLD）進展及其與預后的相關性，共有128例至少接受過2次MRE的成人患者納入統計范圍，結果表明在無肝硬化NAFLD患者中，14%的LSM進展者和2.9%的無進展者發生肝硬化（P= 0.059）。在伴有代償性肝硬化的患者中，100%的LSM進展者和19%的無進展者發生失代償或死亡。此外，MRE在重度肝纖維化分期診斷中尤為敏感。研究表明MRE診斷F2、F3及F4期的曲線下面積（area under the curve，AUC）分別為0.91、0.94和0.97，相比T₁加權成像（T₁ weighted imaging，T₁WI）更能準確診斷重度肝纖維化^[13]。在另一項回顧性研究中，Kaplan等^[14]根據MRE對成人NAFLD患者進行肝纖維化分期，并與基于4因子的纖維化指數（fibrosis index based on the 4 factor，FIB-4）和NAFLD纖維化評分（NAFLD fibrosis score，NFS）進行比較，結果表明FIB-4和NFS在肝纖維化早期階段與MRE結果非常吻合，但在晚期肝纖維化和肝硬化患者中的相關性并不令人信服。盡管MRE技術具有較高的準確性和非侵入性，但仍有一些問題亟須解決：①檢查耗時長，患者難以配合，無法獲得滿意的影像學圖像；②成本高，需特定技術設備，難以在基層醫院進行推廣；③檢查限制性，體內有金屬植入物或合并幽閉恐懼癥的患者無法進行MRE檢查。

隨著MRI技術的發展，越來越多的研究證實MRI技術在肝纖維化無創診斷中的優越性，但不同MRI技術診斷肝纖維化結果各不相同。因此，建立一種客觀標準與方法進行肝纖維化MRI診斷，對提高肝纖維化診斷的敏感度和特異性及分期有十分重要的意義。

2 "影像組學技術在肝纖維化分期中的應用

影像組學最早由Lambin等^[15]于2012年提出。影像組學借助對海量數據進行更深層次的挖掘、預測和分析，從影像圖像中提取大量信息，實現圖像分割、特征提取和模型建立，以輔助臨床醫生進行診斷。近年來，影像組學在超聲、CT、MRI等醫學影像領域得到廣泛應用。影像組學作為一種支持臨床決策和精準醫學的方法，在評估肝纖維化進程中的肝臟形態和質地變化上起重要作用。特征提取是該概念的重要組成部分，操作人員可從二維或三維圖像中繪制出感興趣體積（volume of interest，VOI），從中提取影像組學特征。

2.1" 一階統計學特征

一階統計學特征通常是指直方圖特征，包括均值、峰度、熵等一系列參數，其可描述VOI中灰度像素值的整體分布模式，但無法解決像素之間的空間關系^[16]。肝纖維化的特點是細胞外基質過度積累，進而導致肝組織異質性的變化。通過對肝纖維化影像進行直方圖特征提取并加以分析，可評價肝纖維化進程。Zheng等^[17]對肝纖維化患者肝臟DWI的直方圖參數分析后認為，病理性肝纖維化分期的峰度、熵、偏度、第90百分位、第75百分位在不同肝纖維化分期中表現出明顯差異，說明直方圖分析可客觀評價肝臟的異質性，進而評估肝纖維化分期。Wang等^[18]在研究基于T₁WI的磁共振直方圖參數后，也得出直方圖參數可預測肝纖維化分期的結論。另有研究報道，肝纖維化患者的多個直方圖參數與肝穿刺術病理結果相對比，存在顯著相關性^[19]。總體來說，直方圖分析僅能反映二維圖像的變化，但其優勢在于操作較為簡單，在肝纖維化分期的無創診斷中具有一定價值。

2.2 "紋理特征

紋理特征描述每個像素與其相鄰像素之間的空間關系，其中最常用的是灰度共生矩陣和灰度運行長度矩陣。紋理特征可反映組織的復雜性、異質性和結構特征。肝纖維化向肝硬化進展的過程中，肝臟大小、形態、邊緣及組織異質性可發生一系列變化。通過對圖像的紋理特征進行分析，可提取出與之相關的信息。Zhao等^[20]對慢性乙型病毒性肝炎患者的T₁WI和T₂WI圖像進行特征提取，認為包括灰度共生矩陣和灰度行程矩陣在內的紋理特征與早期肝纖維化有較高的相關性。Zhao等^[21]又通過聯合臨床生物標志物構建新的模型，提高肝纖維化診斷的準確率。此外，基于B超和CT的紋理分析也快速發展。Jian等^[22]利用構建的灰度共生矩陣得到指定圖像的紋理特征，結合紋理分析和二維剪切波彈性成像（two-dimensional shear wave elastography，2D- SWE）對肝纖維化分級進行評估，結果顯示聯合診斷早期肝纖維化效率的AUC達0.952，顯著高于2D-SWE獨立診斷。Hu等^[23]構建基于CT圖像劃分的感興趣區域（region of interest，ROI）模型，并從中提取包括灰度依賴矩陣、灰度共生矩陣、灰度行程矩陣在內的紋理特征，在區分早期和晚期肝纖維化中表現出良好效果。雖然以上影像學紋理分析在診斷肝纖維化方面表現良好，但仍有研究對象數量過少、人工劃定ROI存在主觀性等問題，未來仍需結合新技術開展大量研究予以驗證。

2.3" 高階特征

高階特征是指圖像經過濾后進一步提取的特征，其能夠更加突出圖像中的細節特征。Meng等^[24]將合并NAFLD的糖尿病患者分為內部與外部驗證集，根據LSM將患者分為低危肝纖維化組和高危肝纖維化組，從MRE中提取高階特征并構建新模型，結果證實模型在內部和外部驗證集中都表現出優異性能。Park等^[25]應用邏輯回歸和彈性網絡正則化，研究出一種基于Gd-EOB-DTPA增強MRI的影像組學模型，用于肝纖維化分期評估，共計436例進行過腹部增強MRI的肝纖維化患者被納入這項回顧性研究中；結果顯示影像組學纖維化指數（radiomics fibrosis index，RFI）診斷F2～F4期的敏感度和特異性分別為81%和78%，診斷F3～F4期的敏感度和特異性分別為79%和82%，診斷F4期的敏感度和特異性分別為92%和75%。盡管高階特征分析能提高肝纖維化診斷準確率，但目前相關研究較少，未來仍需結合大量高階特征分析研究予以驗證和優化。

隨著研究的深入，越來越多的影像組學局限性暴露出來。在圖像分割上，人工分割通常被認為是黃金標準。但其既耗時又受觀察者的主觀影響。雖然可通過機器進行自動或半自動分割，減少不確定性，提高效率，但目前用于肝纖維化自動識別及分割軟件系統的精度和成熟度有限。在影像組學中，通常認為特征越多越好。但不同特征類別之間存在重復性，這無疑增加工作量。在不同類型的提取方法中，如何在簡化過程中對特征數據進行標準化處理也是挑戰之一。在建立模型方面，需要準確、穩健的機器學習和深度學習算法，有利于向臨床應用轉化。

3" AI影像組學技術在肝纖維化分期中的應用

目前，基于深度學習（deep learning，DL）的AI技術已深入影像組學的各流程，廣泛應用于醫學影像學領域。Wang等^[26]回顧性分析398例肝纖維化患者的2D-SWE圖像，利用DL模型對這些患者的影像數據進行影像組學分析，結果得出F4時的AUC為0.97，F3時的AUC為0.98，F2時的AUC為0.85，對比血清學指標表現出極高的優越性。DL結合MRI形態學及各序列圖像信號可進一步提高肝纖維化診斷的準確性。Hectors等^[27]將進行Gd-EOB-DTPA增強MRI掃描的肝纖維化患者分為訓練集、驗證集及測試集三組，篩選特征后用DL模型進行學習，數據表明訓練集、驗證集和測試集的DL模型AUC分別為0.99、0.70、0.77（F1～F4），0.92、0.71、0.91（F2～F4），0.91、0.78、0.90（F3～F4）和0.98、0.83、0.85（F4）。這與MRE的診斷性能相似，DL模型可在不需要額外MRI硬件的情況下進行無創肝纖維化評估。

卷積神經網絡（convolutional neural network，CNN）是醫學成像分析中最流行的DL架構類型^[28]。CNN由輸入層、隱藏層和輸出層組成，各個結構相互作用，在DL的基礎上可提高圖像識別效能。Zhang等^[29]采用CNN模型對被誘導大鼠進行肝纖維化分期評估，其對無肝纖維化、早期肝纖維化和進展期肝纖維化分期的準確率分別為0.73、0.89和0.84，AUC分別為0.76、0.88和0.79。在此基礎上，Yasaka等^[30]建立一種深度卷積神經網絡（deep convolutional neural network，DCNN）模型，發現DCNN模型診斷肝纖維化F4期、F3期和F2期的AUC分別為0.84、0.84和0.85。基于DL的AI影像組學和傳統機器學習依賴于人工劃分的特征不同，DL是以表征學習為基礎，通過提供的數據學習最佳特征，自行執行相應任務。與傳統機器相比，DL對圖像識別更快速、更準確。目前DL所面臨的問題：對DL在肝纖維化分期方面的研究，需進行更多跨區域研究合作，建立龐大數據庫；對AI當下需解決倫理問題。

4 "小結與展望

影像組學分析對肝纖維化具有良好的分期評估和診斷能力，加以多種MRI技術為基礎，有望成為評估肝纖維化的非侵入性定量工具，為肝纖維化預后提供強有力的客觀證據。未來，計算機AI對多模態肝臟MRI成像數據進行影像組學分析可進一步提高肝纖維化診斷的準確度。通過AI評估基于多模態MRI檢查的肝纖維化患者的圖像信息，對肝纖維化患者狀態進行早期診斷和評估，為早期干預提供依據，從而延緩肝纖維化進程，降低肝硬化及肝癌的發生率。但目前由于數據缺乏和研究不足，此方法仍有許多不足之處。相信隨著研究過程及方法的進一步標準化、數據量的不斷增加、更多臨床研究驗證及對模型的優化，以MRI為基礎的AI影像組學研究會在未來有更大的發展，進而推動個體化醫療及精準醫療的發展。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻]

[1]"" 中華醫學會肝病學分會， 中華醫學會消化病學分會， 中華醫學會感染病學分會. 肝纖維化診斷及治療共識（2019年）[J]. 實用肝臟病雜志， 2019， 22（6）： 793–803.

[2]"" 羅昕， 曲穎， 蔡曉波， 等. 抗病毒治療對肝纖維化逆轉的影響[J]. 臨床肝膽病雜志， 2022， 38（11）： 2596–2598.

[3]"" 梁平， 于杰. 肝病超聲診斷指南[J]. 臨床肝膽病雜志， 2021， 37（8）： 1700–1785， 1993–1994.

[4]"" YAMADA A， KAMAGATA K， HIRATA K， et al. Clinical applications of artificial intelligence in liver imaging[J]. Radiol Med， 2023， 128（6）： 655–667.

[5]"" FRO? A， SEMIANIUK A， LAZUK U， et al. Artificial intelligence in urooncology： What we have and what we expect[J]. Cancers （Basel）， 2023， 15（17）： 4282.

[6]"" 王曉培， 楊大為， 楊正漢. MRI定量評估慢性肝病病理改變的研究進展[J]. 中國醫學影像學雜志， 2022， 30（2）： 172–178.

[7]"" LIU H， XU Y S， ZHANG Y， et al. Value of magnetic resonance morphological imaging in the diagnosis and differentiation of post-hepatitis B cirrhosis[J]. J Clin Hepatol， 2018， 34（12）： 2587–2591.

[8]"" YANG M， ZHANG Y， ZHAO W， et al. Evaluation of liver function using liver parenchyma， spleen and portal vein signal intensities during the hepatobiliary phase in Gd-EOB-DTPA-enhanced MRI[J]. BMC Medical Imaging， 2020， 20： 119.

[9]"" 李彥龍， 王逢茂， 李妍， 等. 釓塞酸二鈉增強磁共振成像在肝纖維化分期早期診斷中的臨床應用效果[J]. 臨床醫學研究與實踐， 2021， 6（11）： 122–124.

[10] BESHEER T， ELALFY H， ABD EL-MAKSOUD M，" et al. Diffusion-weighted magnetic resonance imaging and micro-RNA in the diagnosis of hepatic fibrosis in chronic hepatitis C virus[J]. World J Gastroenterol， 2019， 25（11）： 1366–1377.

[11] 鄧亞， 羅軍德， 解天梅， 等. DWI及聲輻射力脈沖成像在肝纖維化診斷中的價值[J]. 醫學影像學雜志， 2020， 30（2）： 231–234.

[12] GIDENER T， DIERKHISING R A， MARA K C， """""et al. Change in serial liver stiffness measurement"" "by magnetic resonance elastography and outcomes in NAFLD[J]. Hepatology， 2023， 77（1）： 268–274.

[13] VON ULMENSTEIN S， BOGDANOVIC S， HONC HAROVA-BILETSKA H， et al. Assessment of hepatic fibrosis and inflammation with look-locker T₁ mapping and magnetic resonance elastography with histopathology as reference standard[J]. Abdom Radiol （NY）， 2022， 47（11）： 3746–3757.

[14] KAPLAN J M， ALEXIS J， GRIMALDI G， et al. A comparison of magnetic resonance elastography （MRE） to biomarker testing for staging fibrosis in non-alcoholic fatty liver disease （NAFLD）[J]. Transl Gastroenterol Hepatol， 2023， 8： 7.

[15] LAMBIN P， RIOS-VELAZQUEZ E， LEIJENAAR R， "et al. Radiomics： Extracting more information from medical images using advanced feature analysis[J]. Eur J Cancer， 2012， 48（4）： 441–446.

[16] MAYERHOEFER M E， MATERKA A， LANGS G， et al. Introduction to radiomics[J]. J Nucl Med， 2020， 61（4）： 488–495.

[17] ZHENG Y， XU Y S， LIU Z， et al. Whole-liver apparent diffusion coefficient histogram analysis for the diagnosis and staging of liver fibrosis[J]. J Magn Reson Imaging， 2020， 51（6）： 1745–1754.

[18] WANG Q， LIU H， ZHU Z， et al. Feasibility of T₁ mapping with histogram analysis for the diagnosis and staging of liver fibrosis： Preclinical results[J]. Magn Reson Imaging， 2021， 76： 79–86.

[19] YOSHIKAWA M， KUDO K， HARADA T， et al. Quantitative susceptibility mapping versus R2^*-based histogram analysis for evaluating liver fibrosis： Preliminary results[J]. Magn Reson Med Sci， 2022， 21（4）： 609–622.

[20] ZHAO R， GONG X J， GE Y Q， et al. Use of texture analysis on noncontrast MRI in classification of early stage of liver fibrosis[J]. Can J Gastroenterol Hepatol， 2021， 2021： 6677821.

[21] ZHAO R， ZHAO H， GE Y Q， et al. Usefulness of noncontrast MRI-based radiomics combined clinic biomarkers in stratification of liver fibrosis[J]. Can J Gastroenterol Hepatol， 2022， 2022： 2249447.

[22] JIAN Z C， LONG J F， LIU Y J， et al. Diagnostic value "of two dimensional shear wave elastography combined with texture analysis in early liver fibrosis[J]. World J Clin Cases， 2019， 7（10）： 1122–1132.

[23] HU P， HU X， LIN Y， et al. A combination model """""of radiomics features and clinical biomarkers as a nomogram to differentiate nonadvanced from advanced liver fibrosis： A retrospective study[J]. Acad Radiol， 2021， 28 Suppl 1： S45–S54.

[24] MENG F， WU Q， ZHANG W， et al. Application """""of interpretable machine learning models based on ultrasonic radiomics for predicting the risk of fibrosis progression in diabetic patients with nonalcoholic fatty liver disease[J]. Diabetes Metab Syndr Obes， 2023， 16： 3901–3913.

[25] PARK H J， LEE S S， PARK B， et al. Radiomics analysis of gadoxetic acid–enhanced MRI for staging liver fibrosis[J]. Radiology， 2019， 290（2）： 380–387.

[26] WANG K， LU X， ZHOU H， et al. Deep learning radiomics of shear wave elastography significantly improved diagnostic performance for assessing liver fibrosis in chronic hepatitis B： A prospective multicentre study[J]. Gut， 2019， 68（4）： 729–741.

[27] HECTORS S J， KENNEDY P， HUANG K H， et al. "Fully automated prediction of liver fibrosis using deep learning analysis of gadoxetic acid-enhanced MRI[J]. Eur Radiol， 2021， 31（6）： 3805–3814.

[28] CIGDEM O， DENIZ C M. Artificial intelligence in "knee osteoarthritis： A comprehensive review for 2022[J]. Osteoarthr Imaging， 2023， 3（3）： 100161.

[29] ZHANG W， ZHAO N， GAO Y， et al. Automatic liver segmentation and assessment of liver fibrosis using deep learning with MR T₁-weighted images in rats[J]. Magn Reson Imaging， 2024， 107： 1–7.

[30] YASAKA K， AKAI H， KUNIMATSU A， et al. Liver fibrosis： Deep convolutional neural network for staging by using gadoxetic acid-enhanced hepatobiliary phase MR images[J]. Radiology， 2018， 287（1）： 146–155.

（收稿日期：2024–09–11）

（修回日期：2025–01–07）

基金項目：浙江省衛生健康科技計劃項目（2022KY1181）

通信作者：馮濟業，電子信箱：rmfengjiye@nbu.edu.cn