作者：
目前，肝脏病理活检是临床上分级的“金标准”，然而，该技术存在创伤大、成本高、易发生出血及感染等问题。由此可见早期、无创地诊断肝纤维化并进行准确分级对于逆转肝纤维化、防治肝硬化和肝癌来说至关重要。随着医疗技术的快速发展，尤其是在图像识别与分析等领域，人工智能（artificial intellgence，AI）已成为当前医疗研究的热点，并由此产生了成像组学与深度学习。尽管这两种方法在工作上存在显著差异，但二者均基于图像的高通量特征，实现了非侵入性肝脏纤维化评价。
目前，放射组学和深度学习技术已经广泛应用于肝纤维化图像分析，因此，本文基于超声的AI技术在肝纤维化诊断及分期中的应用现状进行综述。
1. 影像组学的概述及工作流程
Gillies等在2010年首次提出了“影像组学”的概念，于2012 年由Lambin 等完善并正式提出，它是指从图像中高性能地检索大量特征，并将医学图像转换为可挖掘的数据，挖掘出真正起作用的关键信息，获得的信息可以应用于临床决策支持系统，以创建诊断、预后和/或预测模型。影像组学的工作流程包括图像采集、感兴趣区分割、特征提取、特征选择和建立模型。
2. 超声影像组学评估肝纤维化中的临床应用
目前已有研究表明基于常规超声的影像组学可以提高诊断肝纤维化的效能。由于肝纤维化在整个肝脏中的分布不均，是否可以就肝纤维化面积分数来评估肝纤维化的程度呢？Li等基于100例患者的灰阶超声影像上肝脏回声纹理的异质性进行影像组学分析，能够准确地区分F0~3期和F4~6期肝纤维化，证实了使用纤维化面积分数量化肝纤维化程度。
Acharya等对762张常规超声图像进行二维轮廓变换后提取纹理特征，结合基于核判别分析（kernel discriminant analysis，KDA）的特征约简技术和基于方差分析（analysis of variance，ANOVA）的特征排序技术将影像划分为肝纤维化的不同阶段，诊断准确率达到91.46%。利用机器学习评估定量超声纹理特征可提高B型超声早期纤维化检测的敏感性，并将其与晚期纤维化区分开来，AlHasani 等通过计算机提取Bmode US（BMUS）中的影像组学特征，探讨其在大鼠模型中评估肝纤维化的价值，发现超声B 型图像包含大量信息，可通过相对简单的机器学习方法（如朴素贝叶斯和逻辑回归）来准确诊断早期肝纤维化。将机器学习与弹性成像联合应用于诊断肝纤维化进程的方法虽然鲜有报道，但已有的研究充分证实了这种结合对于评估肝纤维化的进步性和重要性。
付甜甜等对99只大鼠分别进行超声灰阶与弹性成像后建立基于灰阶图像的机器学习诊断肝纤维化自动分类模型，并将其与超声联合弹性成像相结合，比较机器学习方法和联合诊断方法评估肝纤维化进程的诊断价值，结果显示，联合诊断方法诊断轻度肝纤维化、显著肝纤维化、严重肝纤维化和肝硬化的受试者工作特征曲线下面积（AUC）分别为0.952、0.964、0.908、0.918，均高于前者。
那么，就以上所述的使用单一参数的超声影像组学模型可以早期准确诊断肝纤维化，多参数的超声影像组学模型是否也同样具备早期准确诊断肝纤维化的能力？Li等的前瞻性研究试图进一步证明来自多参数的超声影像组学模型在临床实践中用于评估肝纤维化的效果。与传统影像组学、原始射频和对比增强微流的单一模式相比，基于三种影像组学特征的联合模型预测性能最高（AUC值为0.78~0.85），可评估显著肝纤维化。综上影像组学能够准确评估肝纤维化，并且不逊色于肝活检这个金标准，不仅能提高患者的依从性，还能显著减少有创检查和医疗负担，具有极高的应用价值。
3. 深度学习的概述及工作流程
深度学习是一种采用多层非线性处理技术的机器学习算法，通过神经网络架构来实现“特征提取”和转换，可直接处理原始图像，并能自动完成各种图像分析任务。深度学习算法的种类繁多，其中卷积神经网络（convolutional neural network，CNN）是最常用且最具代表性的神经网络，具有较高的图像识别及分类价值。以CNN应用于大数据集为例，深度学习的基本工作流程如下：首先输入原始图像，然后卷积层自动提取图像特征，池化层简化特征信息，全连接层拟合分类，最后输出层输出预测结果。
4. 深度学习评估肝纤维化的临床应用
近年来，深度学习与超声结合在评估肝纤维化方面表现出色。早在20年前就有研究展示了深度学习在评估肝纤维化方面的诊断效果。Badawi等创造性地提出了一种采用模糊推理技术的方法，通过使用从超声图像中测量的数字定量特征来自动识别弥漫性肝病。此方法对肝纤维化的诊断具有高特异性和敏感性，虽然仅从B型超声图像中提取信息，但这也是改进传统超声的方法之一。
为探讨人工神经网络在多普勒超声诊断肝纤维化分级中的价值，Zhang等选取了5个超声变量，包括肝实质、脾脏厚度、肝静脉波形、肝动脉搏动指数和阻尼指数，作为输入神经元，研究表明基于多普勒超声的人工神经网络模型在肝纤维化的定量诊断中具有较高的敏感性（95.0%）和特异性（85.0%）。近年来，随着超声技术的不断发展，基于弹性成像的计算机辅助技术被提出并在超声图像中对于识别和分期肝纤维化具有重要意义。
实时组织弹性成像（realtime tissue elastography，RTE）是最近开发的技术之一，Chen等从513 例接受肝活检的受试者中获取了11个RTE图像特征，并对数据进行处理，并将其划分为4个经典分类器。结果显示所采用的分类器性能明显优于LFI方法，后者使用RTE图像和多元回归分析预测纤维化阶段。如今，AI在评估肝纤维化阶段的应用大多基于剪切波弹性成像。
Brattain等开发并评估了一个名为SWEAssist 的自动化框架，该框架具有检查SWE图像质量、选择感兴趣区域（region of interest，ROI）并对ROI进行分类、评估分类器等优点。该框架在检测≥F2纤维化水平方面表现出比先前发表的基线方法更为准确的性能，AUC分别为0.89和0.74。此外，与2DSWE和生物标志物相比，Wang等发现深度学习影像组学（deep learning Radiomics of elastography，DLRE）在慢性乙型肝炎患者的潜在诊断性能方面也表现出色。在这项前瞻性多中心研究中，采用了影像组学策略对二维横波弹性成像（two dimensional shear wave elastography，2DSWE）图像的异质性进行定量分析，结果显示DLRE在预测肝纤维化阶段方面显示出最佳的整体性能。以上研究表明基于超声影像学技术构建的深度学习能无创的准确评估肝纤维化，评估效能优于传统影像诊断模式。
5. 超声AI 在肝纤维化研究中的不足及应用前景
虽然超声影像组学和深度学习在评估肝纤维化方面都有一定的效果，但它们也存在着亟待解决的难题。
首先，两者共有的局限性：（1）由于高质量肝纤维化影像数据及标签难以获得，再加上法律和伦理的限制，导致数据样本量少；（2）不同设备和操作人员获得的超声影像数据在整体分布上存在较大差异，这会影响AI的性能；（3）由于训练和验证已建立的算法需要大量数据，因此许多单中心研究的结论并不令人信服。
其次，两者也存在自身独有的局限性：（1）当前影像组学尚无统一、标准化的工作流程，模型构建过程中所采用的特征选取方法及分类模型可能会引入偏倚，存在过拟合现象，其准确性与可靠性有待于进一步验证。（2）当前的计算机的运行代码及过程大多数并不公之于众，影像组学作为医工结合领域的研究，若想更具说服力，就必须能被复现。（3）建模时所使用的场景往往与真实的医疗场景相差甚远，因此，如何保证模型在实际工作中的有效性仍是一个巨大的挑战。（4）虽然深度学习是应用最广泛的算法，且已取得了较好的成效，但其可解释性和泛化性仍较低。
因此，未来的研究需要多中心合作和尽可能多的样本量，同时还要优化算法，为医学影像创建标准必不可少。除了医学图像外，研究人员还可构建一个包括关键临床因素的资料库，从而为将来的研究提供一个更为完善的AI模型。
6. 小结与展望
超声AI技术可实时、动态、无创评估肝纤维化，不仅减少了人工诊断误差，还提高了早期肝纤维化诊断的准确性，有望为肝纤维化的诊断、监测及预后提供一种有效方法。深度学习与影像组学在肝纤维化无创诊断方面可达到金标准性能，且优化了预测模型，实现无创、精准的评估。然而，现阶段AI技术尚未成熟，其稳健性和适用性有待于进一步的研究，因此，如何将AI与超声设备相结合，实现对肝纤维化的准确、快速、无创性评估，并建立具有较强可行性和实用性的肝纤维化模型，是目前国际上众多科研人员的共同工作。
来源：黄秀林,陈成彩,罗婷婷,等.超声人工智能在肝纤维化评估中的应用[J].中国临床研究,2025,38(05):806-808.DOI:10.13429/j.cnki.cjcr.2025.05.032.
我要投稿
