Radiology:定量超声对NAFLD肝脂肪变性的无创评估

非酒精性脂肪肝（NAFLD）是全球慢性肝病的主要原因，其发病率在过去20年里大幅上升。非酒精性脂肪肝的范围很宽，包括从孤立的肝脂肪变（非酒精性脂肪肝的主要组织学特征）到非酒精性脂肪肝炎、晚期纤维化、肝硬化甚至是肝细胞癌。非酒精性脂肪肝还与代谢综合征和心血管疾病有关，如冠状动脉疾病或动脉硬化。

由于及时处理肝脂肪变性可以在不可逆的变化发生之前阻止或重新验证疾病，因此，早期检测和准确分期肝脂肪变性对非酒精性脂肪肝患者具有重要的临床价值。

尽管肝脏活检仍然是诊断非酒精性脂肪肝的参考标准，但其侵入性和较高的错误率使得有必要开发一种无创诊断和监测肝脏脂肪变性的方法包括MRI质子密度脂肪分数（PDFF）等MRI技术可以准确和可重复地量化肝脏脂肪，但由于成本高和可及性低而没有被广泛地应用。鉴于其可用性和成本效益，US被广泛用于肝脂肪变性的诊断。然而，传统的B型US也有缺点，如其定性和主观性以及准确性不高。

为了克服传统B型超声的这些缺点，临床上开发了使用原始射频数据的定量超声（QUS）技术，该技术提供了关于组织成分的更全面的信息。各种射频数据驱动的QUS参数，如衰减系数和反向散射系数，与肝脏脂肪变性显著相关，并具有良好的诊断性能（89.0%-96.4%）。此外，使用各种QUS参数的多变量逻辑回归模型对脂肪性肝炎和肝脂肪变性有很高的诊断准确性。

最近，基于深度学习的US方法被引入到肝脏脂肪变性评估中，并显著改善了QUS的诊断性能。此外，基于深度学习的二维（2D）卷积神经网络（CNN）通过采用二维图像作为输入数据，可以提供高准确性和稳健性。

近日，发表在Radiology杂志的一项研究开发并前瞻性地验证了一种二维CNN算法，该算法使用QUS参数图和B型图像来诊断非酒精性脂肪肝并以MRI衍生的PDFF作为参考标准，为临床进行准确、无创的肝脂肪变性评估提供了技术支持。

本项研究从2020年7月-2021年6月在一个单一的学术医疗中心对疑似非酒精性脂肪肝的连续成年参与者进行了前瞻性的招募。使用射频数据分析，对所有参与者测量了两个QUS参数（组织衰减成像[TAI]和组织散射分布成像[TSI]）。在B型图像上，使用视觉评分法对肝脏脂肪变性进行分级（无、轻度、中度或重度）。使用B型图像和两个QUS参数图（TAI和TSI）作为输入数据，并使用该算法估计US脂肪分数（USFF）的百分比。使用Pearson相关系数评估USFF和MRI PDFF之间的相关性。使用接收器操作特征曲线分析评估USFF对肝脂肪变性（MRI PDFF≥5%）的诊断性能，并与TAI、TSI和视觉评分进行比较。

共有173名参与者（平均年龄，51岁±14[SD]；96名男性）被纳入研究，其中126人（73%）有肝脂肪变性（MRI PDFF≥5%）。USFF与MRI PDFF密切相关（Pearson r = 0.86，95% CI: 0.82, 0.90; P < .001）。对于诊断肝脂肪变性（MRI PDFF≥5%），USFF产生的接收器操作特征曲线下的面积为0.97（95% CI: 0.93, 0.99），高于TAI、TSI和视觉评分的面积（P = . 015, .006, < .001,），在截断值为5.7%时，敏感性为90%（95% CI: 84, 95 [114 of 126]），特异性为91%（95% CI: 80, 98 [43 of 47]）。

 图 深度学习估计的US脂肪分数（USFF）与MRI质子密度脂肪分数（PDFF）的散点图显示（A）整个MRI PDFF范围（MRI PDFF <47%）和（B）线性范围（MRI PDFF ≤18%）

本项研究表明，使用定量US参数图和B型图像的深度学习算法可以准确地估计肝脏脂肪变性并诊断非酒精性脂肪肝的肝脏脂肪变性。
原文出处：

Sun Kyung Jeon,Jeong Min Lee,Ijin Joo,et al.Two-dimensional Convolutional Neural Network Using Quantitative US for Noninvasive Assessment of Hepatic Steatosis in NAFLD.DOI:10.1148/radiol.221510