超声人工智能技术定量评价肝纤维化的应用进展

黄丽春，陈成彩（通信作者）

（右江民族医学院附属医院超声科 广西 百色 533000）

肝纤维化是肝脏损伤后机体异常修复导致细胞外基质弥漫性过度沉积和异常不均匀分布的慢性过程[1]。类似于人体皮肤损伤愈合时纤维性瘢痕的形成，这是动态的可逆过程[2]。早期抗病毒治疗可逆转肝纤维化[3]，但进展为肝硬化就很难逆转，因此早期准确分级是逆转肝纤维化、防治肝硬化和肝癌的关键[4]。临床上以肝脏病理活检作为分级“金标准”，根据Metavir标准分为5个等级[5]：F0无纤维化；F1轻度纤维化；F2显著纤维化；F3进展期纤维化；F4肝硬化。但其有创且费用高，有出血感染风险，不宜作为动态监测疗效评估的首选方法。因此无创性肝纤维化评估成为临床研究热点，超声技术经济便捷、可实时动态、无辐射损伤，成为临床首选影像检查方法。

1 超声技术在肝纤维化定量评价中的应用

传统超声评估肝纤维化是通过医师判读超声图像及弹性成像测值[6]来实现，超声弹性成像（ultrasonic elastography，UE）是对软组织中应变和弹性模量分布进行定量成像的新型显像技术，能定量、半定量地对肝纤维化程度进行无创诊断。用于肝病评估的UE有：瞬时弹性成像（transient elastography，TE）、剪切波弹性成像（shear wave elastography，SWE）、应变式弹性成像（strain elastography，SE）和联合弹性成像（combinational elastography，CE）等。TE是被指南推荐用于评估慢性肝病肝纤维化的弹性技术。通过测量肝硬度值（LSM）来评估肝纤维化，但TE是一维技术，其操作缺乏超声实时引导，体质量指数、腹腔积液及炎症、肋间隙狭窄等均可降低其准确性[7]。SWE是二维成像技术，对比研究显示2D-SWE评估肝纤维化和TE一样有效，脂肪变性和炎症活动是影响2D-SWE的混杂因素[8]。SE只能获得肝脏相对弹性应变信息,无法得到弹性模量绝对值，很少用来评估慢性肝病。CE是RTE及SWE的优势结合技术，通过分析弹性应变、图像纹理、组织硬度及声衰减等因素来定量评估肝纤维化程度、炎症活动度和脂肪变性程度，CE在肝纤维化评估方面的研究尚少，李日娜等[9]运用CE对76例S1～S4级患儿的肝纤维化进行分析，结果认为CE评估儿童肝纤维化分期具有一定价值。

2 超声AI技术在肝纤维化中的应用

2.1 AI概述

近年来，以机器学习（machine learning，ML）和深度学习（deep learning，DL）影像组学为代表的AI技术，在医学领域的应用日益广泛，在病变识别、病灶分类及预后预测等方面均表现出优异的性能。AI技术研究步骤[10-11]详见图1。

图1 AI技术研究步骤图

2.2 基于灰阶超声的AI

传统超声诊断肝纤维化依据医师对肝脏大小、形态、包膜、肝实质回声的粗细来判断。结果高度依赖医师的工作经验和对肝实质粗糙度的洞察力，准确率低且缺乏客观统一标准，而AI可客观、定量评价肝脏纹理改变。有研究证明在肝纤维化早期，超声图像已有人眼无法识别的变化[12]，基于此，赵万明[13]通过ML和DL对超声图像进行研究，结果显示上述方法对早期肝纤维化有较高的诊断性能。DL诊断效能更高，在判别≥F2时，AUC为0.96、在判别F4时，AUC为0.95。Li等[14]使用纤维化面积分数量化肝纤维化，对100例患者的灰阶超声图上肝脏回声纹理异质性特征进行分析，该方法区分F1和F2的AUC达到0.985。Acharya等[15]对236名患者762张超声图像采用二维轮廓变换和纹理特征分析，结果显示对肝纤维化5个阶段诊断准确率达到91.46%。上述研究均表明，AI分析提高了肝纤维化的诊断准确性。

2.3 基于UE的人工智能

UE操作简单、安全可重复性好，在肝纤维化无创诊断中具有重要价值。付甜甜等[16]运用ML和DL对354 例患者灰阶图像和2D-SWE图像进行分析，发现ML在二分类诊断效果较好，在三分类准确率均下降，但AUC仍达0.75；Wang等[17]进行了一项多中心研究，共纳入12 家医院398名1 990张2D-SWE图像进行DL，构建卷积神经网络（CNN）模型DLRE，结果提示DLRE与病理活检具有相似诊断效能，在诊断F4、≥F3时AUC为0.97、0.98。在区分F0～F1和F2～F4时AUC为0.85，这与研究[18]结果一致。2021年该团队开发了新模型DLRE2.0，用来提高≥F2的评估性能，将4 842张弹性图像、肝包膜、肝实质灰度图像与血清学整合，建立了多通道DL组学模型，结果AUC从0.88提高到0.91[19]；Xue等[20]结合二维超声和弹性图像构建深度迁移学习模型（TL），结果显示TL诊断≥F2、≥F3及F4的AUC分别为0.93、0.93、0.95。研究表明基于B超图像的CNN模型来预测METAVIR评分准确性较高[21]。综上所述，二维与UE联合AI技术诊断肝纤维化是极具发展前景的。

3 超声AI技术评估肝纤维化面临的挑战

超声AI技术能较好评估肝纤维化，但仍面临挑战：首先，AI软件多种多样，不同软件的分类结果不一致[22]，阻碍了外部验证评估；其次，现阶段对肝纤维化ROI的选择并未统一，研究对比全肝和局部勾画ROI对肝纤维化的分期效能并无显著差异[23]。但也有研究证实ROI的大小会影响模型分类结果[24]。研究在肝右叶不同区域采图5次[16]，而有研究存储同一部位弹性图5幅[25]，现未见有对比其可靠性的研究，目前亟待一种高效统一及适用性广的ROI选择策略。源图像的质量是提取特征的关键，不同模态超声成像体现不同疾病信息，未来研究可利用三维或动态视频超声的多维空间数据，或许可以提取更多有价值的信息。

4 小结与展望

超声技术可实时、动态、无创评估肝纤维化，超声技术与AI联合，减少了人工诊断误差，提高了早期肝纤维化的诊断准确性，有望成为诊断、监测肝纤维化、评估预后的有效方法。但现阶段AI技术尚未成熟，模型的稳健性及适用性还需大量研究来验证，如何将AI融入超声仪器中，实现精准、快捷、准确的肝纤维化无创评估，构建出可行性强、实用性强的肝纤维化AI模型和软件，需要国内外广大研究者的共同努力。