综述：磁共振成像中用于量化和分期脂肪肝疾病的机器学习与深度学习方法综述

本综述系统评估了机器学习（ML）与深度学习（DL）技术在磁共振成像（MRI）中量化与分期脂肪肝的应用，涵盖卷积神经网络（CNN）、生成对抗网络（GAN）等方法，证实其具有高诊断准确性（AUC 0.85–0.97）、优异重现性（ICC 0.94–0.99）及显著提升的效率（处理时间<0.16 s/层），为无创肝脂肪定量和临床决策提供了重要工具。

背景

脂肪肝疾病，包括非酒精性脂肪性肝病（NAFLD）和酒精相关肝病（ALD），影响着全球约25%的成年人。肝脂肪变性作为该疾病的标志，其特征是肝细胞内过度的脂肪积累，是疾病向非酒精性脂肪性肝炎（NASH）、肝纤维化和肝硬化进展的关键决定因素。准确量化和分期肝脂肪变性对于早期诊断、风险分层以及监测治疗干预至关重要。

磁共振成像（MRI），特别是质子密度脂肪分数（PDFF），已成为肝脂肪定量无创评估的金标准，其敏感性和特异性优于超声或活检。Reeder等人确立了PDFF作为肝脂肪变性可靠生物标志物的标准化方法，证明了其在各MRI平台上的准确性和可重复性，为临床使用提供了坚实基础。然而，高成本、扫描协议差异以及快速、可重复分析的需求限制了其广泛的临床应用。

近年来，人工智能（AI）的进步，特别是机器学习（ML）和深度学习（DL），通过实现对复杂数据集的自动化、精确和高效分析，彻底改变了医学影像学。在肝脂肪变性的背景下，应用于MRI数据的ML和DL技术显示出在增强PDFF估计、自动化肝脏分割和提高分期准确性方面的潜力。这些方法利用卷积神经网络（CNN）、生成对抗网络（GAN）和其他架构从MRI序列中提取复杂模式，有可能减少扫描时间并减轻不同MRI厂商之间的偏差。

目标

本系统综述旨在批判性评估应用于MRI的ML和DL技术在脂肪肝疾病背景下的诊断准确性、可重复性和临床实用性。通过综合来自同行评审研究的结果，本综述试图确定最佳实践，突出方法学挑战，并为未来的研究和临床实施提供建议。

方法

本系统综述根据系统评价和Meta分析优先报告条目（PRISMA）指南进行和报告。协议在PROSPERO（CRD420251121056）中进行了回顾性注册，以增强方法学透明度。该综述综合了关于ML和DL技术应用于MRI以量化和分期脂肪肝疾病中肝脂肪变性的诊断准确性、可重复性和临床效用的证据。

文献检索覆盖了PubMed、Cochrane Library、Scopus、IEEE Xplore、Web of Science、Google Scholar、临床试验注册库（如ClinicalTrials.gov）和灰色文献来源（如会议记录和专业学会网站），共获得2550条记录。去除重复后，剩下1800条记录进行标题和摘要筛选。其中1700条记录被排除，主要原因是与MRI中ML或DL技术的应用无关。剩下的100篇全文文章被评估资格，其中15项研究被纳入最终分析。

纳入标准涉及人类参与者（疑似或确诊NAFLD、NASH或ALD），使用ML或DL（例如CNN、GAN）处理MRI数据（例如PDFF、Dixon MRI）。结果包括诊断准确性（敏感性、特异性、曲线下面积（AUC））、可重复性（组内相关系数（ICC）、Dice系数）和临床效用（例如治疗计划）。两名评审员独立筛选研究、提取数据并使用QUADAS-2评估偏倚风险。进行了叙述性综合和Meta分析（在可行的情况下）。

结果

从2550条记录中，共纳入15项研究（样本量n = 25–1038），这些研究在PDFF、化学位移编码MRI或Dixon MRI上使用了CNN、GAN、影像组学和字典学习等方法。诊断准确性高（AUC 0.85–0.97，与活检/MRS相比r = 0.94–0.99），可重复性指标稳健（ICC 0.94–0.99，Dice系数0.87–0.94）。效率显著提高（例如，处理时间<0.16秒/层，扫描时间<1分钟）。临床效用包括虚拟活检、手术计划和治疗监测。局限性包括小样本量、单中心设计和厂商间差异。

讨论

所综述的研究共同表明，ML和DL技术显著增强了基于MRI的肝脂肪变性量化和分期，提供了高诊断准确性、可重复性和临床实用性。基于CNN的模型，如Jimenez-Pastor等人、Martí-Aguado等人和Cho等人的研究所示，在自动分割和PDFF量化方面表现出色，减少了操作者依赖性并实现了虚拟活检。Shih等人和Bastati等人采用的GAN驱动方法解决了自由呼吸MRI中的运动伪影问题，并改善了NASH分期。影像组学模型，例如Meneses等人开发的那些，通过从标准MRI序列中提取特征来预测肝脂肪分数，展示了跨厂商的适应性。

这些技术的整合有可能通过实现快速、标准化的分析来改变临床工作流程，减少对专业放射科医生的依赖，并支持个性化治疗决策。然而，挑战依然存在，包括需要多中心验证、标准化扫描协议以及解决不同MRI厂商和场强之间的差异。未来的研究应侧重于大规模前瞻性试验，将ML/DL工具与组织学终点相关联，并探索其在监测疾病进展和治疗反应方面的作用。

结论

总之，ML和DL技术改变了基于MRI的肝脂肪变性评估，提供了准确、可重复且高效的工具。CNN、GAN和影像组学提供了互补的优势，Meneses等人和Shih等人的研究在效率方面领先，而Bastati等人的研究在全面分期方面表现出色。通过标准化、更大规模的队列和纵向数据来解决局限性，将使这些工具能够彻底改变脂肪肝疾病的管理，最终实现更早的干预和改善的患者预后。