非酒精性脂肪性肝病患者组织学、影像与人工智能特征的相关性:基于钆塞酸二钠增强MRI的概念验证研究
在46例非酒精性脂肪性肝病(NAFLD)患者中,无监督深度聚类(UDC)基于钆塞酸二钠增强MRI区分非酒精性脂肪性肝炎(NASH)与单纯性脂肪变的准确率为85%,相对肝脏强化(RLE)为83.1%,脂肪分数(FF)为78.3%,30例验证组证实上述结果。
要点
- UDC基于平扫T1和肝胆期T1区分NASH与单纯性脂肪变准确率85.2%,敏感度89.2%、特异度72.2%。
- RLE区分NASH与单纯性脂肪变准确率83.1%,FF准确率78.3%,两者独立于UDC。
- 多因素分析中RLE仅与纤维化相关,FF仅与脂肪变相关,UDC可预测所有组织学成分。
核心结论
- UDC、RLE和FF均可独立区分NASH与单纯性脂肪变。
- UDC可能预测所有组织学NAFLD成分。
研究设计与样本
- 概念验证研究,推导组46例NAFLD患者前瞻性纳入,验证组30例回顾性纳入,单中心。
- 使用3-T MRI,序列包括化学位移成像(同相位和反相位)、平扫T1及钆塞酸二钠增强肝胆期T1(注射后20分钟)。
- 以肝活检组织学(SAF评分系统)为金标准。
关键影像表现/征象
- 反相位图像上肝脏信号弥漫性丢失,用于计算脂肪分数(FF)。
- 肝胆期图像上肝脏信号相对于平扫增高,用于计算相对肝脏强化(RLE)。
- UDC将肝脏纹理模式分为10个聚类,生成直方图特征。
诊断标准与关键数值
- RLE区分NASH与单纯性脂肪变:阈值1.20,准确率83.1%,AUROC 0.808(95%CI 0.76–0.98),敏感度85.7%,特异度83.3%,PPV 88.9%,NPV 78.9%。
- FF区分NASH与单纯性脂肪变:阈值19.0,准确率78.3%,AUROC 0.778(95%CI 0.81–0.98),敏感度85%,特异度66.7%,PPV 80.0%,NPV 75.0%。
- UDC基于平扫T1和肝胆期T1区分NASH与单纯性脂肪变:准确率85.2%,AUROC 0.854(95%CI 0.76–0.98),敏感度89.2%,特异度72.2%,PPV 83.3%,NPV 81.3%。
- UDC基于化学位移成像区分NASH与单纯性脂肪变:准确率80.4%,AUROC 0.792(95%CI 0.76–0.98),敏感度89.3%,特异度66.6%,PPV 80.6%,NPV 80.0%。
- UDC基于平扫T1、肝胆期T1联合化学位移成像区分NASH与单纯性脂肪变:准确率78.3%,AUROC 0.84,敏感度75.0%,特异度83.3%,PPV 87.5%,NPV 68.2%。
临床应用与阅片要点
- 钆塞酸二钠增强MRI可无创评估NAFLD组织学成分,FF > 5%诊断NAFLD,RLE可区分NASH与单纯性脂肪变。
- 作者认为加入人工智能可能无创估计组织学成分(脂肪、气球样变、炎症和纤维化),其中纤维化是主要预后因素。
- 原文未据此给出推荐。
局限性
- 原文未报告局限性。
全文中译19 节 · 点击展开
引言
非酒精性脂肪性肝病(NAFLD)已成为一个重要的公共卫生问题,其发病率持续上升[1, 2]。NAFLD包括单纯性脂肪变性(肝脏相关发病率相对较低)和非酒精性脂肪性肝炎(NASH),后者可能导致进行性肝功能障碍和肝脏相关死亡[3]。单纯性脂肪变性通常可通过生活方式改变得到改善,而NASH可能需要额外的药物治疗[1, 2]。NASH的后遗症,即终末期肝硬化、肝衰竭、肝细胞癌(HCC)和/或最终需要肝移植,可通过早期诊断和管理加以减轻[4, 5]。
目前,NASH仍通过肝活检进行常规诊断,这是一种有创操作,会增加本已易发生凝血功能障碍的患者的出血风险。因此,患者接受度差,限制了其用于长期监测的实用性。进一步局限性包括因脂肪变性分布不均导致的采样误差以及观察者间高变异性[6, 7]。此外,对于NAFLD such a高患病率疾病,普遍开展肝活检并不可行。此外,血清标志物在很大程度上缺乏特异性,传统影像学检查,包括超声(US)、CT和钆螯合物增强MRI,无法区分NASH和单纯性脂肪变性[8, 9]。因此,迫切需要一种对NASH检测和监测具有高灵敏度和特异性的无创诊断方法[10]。
多参数磁共振成像(MRI)能够量化质子密度脂肪分数(PDFF),使用双回波化学位移成像(CSI)(即同相位和反相位)[11] [12]、多回波技术或MR质子波谱(MRS)[13]等多种技术,并通过MR弹性成像检测纤维化和炎症[14],已成为一种强有力的工具。
Gd-EOB-DTPA-MRI最初用于检测和表征局灶性肝脏病变(如并发于NAFLD的HCC),已被证明可通过计算的相对肝脏强化(RLE)区分单纯性脂肪变性和NASH[15]。此外,CSI能够利用脂肪分数(FF)区分这两种疾病[16]。此外,人工智能(AI),包括深度学习,可能有助于揭示NAFLD的影像学特征。最近,Perkonigg等人提出了一种无监督预测性纹理发现方法[17]。该方法基于深度聚类网络(DCN)[18],并使用随机森林将该方法与组织学相关的信息与提取的纹理模式相关联[19]。因此,本研究旨在在一个推导组中探究,混合无监督和有监督深度学习方法是否能够利用CSI技术以及平扫T1和肝细胞期Gd-EOB-DTPA-MR图像(T1-Gd-EOB-DTPA-HBP)识别出可区分单纯性脂肪变性与NASH的预测模式。此外,我们比较了UDC与RLE和FF(所有数据均来自相同的MR序列)在NAFLD患者中区分NASH与单纯性脂肪变性的能力。以组织病理学作为金标准。在推导组中识别出单纯性脂肪变性 vs NASH的预测因子后,我们将该模型应用于验证组。
材料与方法
患者
所有患者均获得书面知情同意,且本研究方案经当地伦理委员会批准,为单中心研究。推导队列为前瞻性入组,而验证队列为回顾性收集,其影像采集使用另一台扫描仪、不同软件和检查参数。
从我们三级学术机构的消化内科和肝病科招募超声提示脂肪肝临床特征且血清天冬氨酸和丙氨酸氨基转移酶水平升高的患者。纳入标准包括单纯性脂肪变性或NASH的组织学证据,以及使用标准化的完整钆塞酸二钠(Gd-EOB-DTPA)增强MR方案。排除标准分别为:年龄<18岁、妊娠、酒精摄入量≥20 g/天、存在乙型和丙型肝炎感染、自身免疫性肝病、血色病、Wilson病、α-1抗胰蛋白酶缺乏症、中毒性肝病、原发性胆汁性肝硬化和原发性硬化性胆管炎,依据美国和欧洲现行指南[1, 2]。推导组49例,验证组30例。我们排除了3例推导组患者,其中2例MRI不完整,1例拒绝活检。最终推导队列包括46例患者,验证队列包括30例患者,均有完整的MRI和组织学报告。
参考标准:活检和组织病理学分析
所有肝活检标本均由经验丰富的病理学家使用脂肪变性活动性纤维化(SAF)评分系统作为金标准进行评估[20],包括脂肪变性分级(轻度、中度和重度),以及以下三项特征中的两项:(1) 伴单核细胞和/或多形核白细胞的坏死性炎症,(2) 肝细胞气球样变,以及(3) 窦周和/或桥接纤维化。
血液标志物
对于血液标志物,我们考虑了常见生化参数,包括总胆红素、天冬氨酸氨基转移酶、丙氨酸氨基转移酶、碱性磷酸酶、γ-谷氨酰转肽酶、甘油三酯、高密度脂蛋白胆固醇和葡萄糖水平。在所有患者中,血清标志物均在MR成像后1周内在同一实验室测定。此外,我们使用FIB-4评分、NAFLD纤维化评分(NFS)、ALBI评分和APRI评分作为已建立的非侵入性生物标志物,以准确分层NASH和晚期纤维化高风险患者。
MRI方案
所有推导组MR检查均在3-T扫描仪(Magnetom Trio, A Tim)上进行,所有验证组检查均在3-T(Magnetom Prisma Fit)Siemens Healthineers上进行。MRI方案包括化学位移成像(CSI)技术,采用增强前同相位和反相位横断面T1加权双梯度回波序列。此外,还采集了平扫和动态对比增强、三维、屏气、T1加权扰相梯度回波容积(VIBE)序列,包括肝胆期,即对比剂注射后20分钟,以及扩散加权图像(DWI)和常规T2加权图像。两组所有患者均经静脉团注给予标准剂量Gd-EOB-DTPA(0.025 mmol/kg;欧洲为Primovist®,美国为Eovist®;Bayer Healthcare,柏林,德国),使用动力注射器以1.0 mL/s的速率注射,随后立即以20 mL生理盐水冲洗。MR采集参数见表1和表1S。
图像分析
计算图像分析和无监督深度学习(UDC)有两个主要步骤,结合了监督学习和无监督机器学习,如下所示[17]:• 首先,在预处理步骤中,使用一种特别适合图像分割任务的卷积神经网络架构U-Net,在所有图像体积中对MR序列上的肝脏进行自动分割[21]。
• 然后,无监督机器学习使用深度学习和聚类相结合的方法,识别出一组在NAFLD患者的肝脏MRI上频繁出现的图像模式。对于我们的46例NAFLD患者,随机提取了50,000个轴向2D图像块[22]。每个肝脏的聚类还与该肝脏的组织学目标变量相关联。
• 然后,一个经过训练能够准确重建低维输入的自动编码器网络使用三个卷积层和三个上采样操作,在潜在空间中重建肝脏图像。
• 同时,DCN方法将潜在空间中外观相似的图像块分配到10个不同的聚类中。
• 最后,我们让训练好的网络使用滑动窗口来解析(即搜索)所有46例NAFLD患者的整个轴向肝脏切片。在每个位置,它提取、处理图像块并将其分配到训练期间得到的10个聚类之一。每个肝脏的UDC特征是该肝脏图像中属于10个聚类各自所占的相对比例,即直方图。该方法的概述如图1所示。
• 然后,我们创建了46 × 3个UDC,每个队列的每个MRI序列各一个:平扫T1-、T1-Gd-EOB-DTPA-HBP,以及[平扫T1-同相位和平扫T1-反相位]。为了整合平扫T1-和Gd-EOB-DTPA-HBP扫描的信息,我们为 each 创建了一个10分量UDC特征,并通过拼接将它们组合,从而为每位患者产生一个20分量UDC特征。T1同相位和反相位图像的UDC特征是独立于Gd-EOB-DTPA增强图像计算的,并为每位患者额外产生了一个10维特征向量。
• 在第二步中,肝脏扫描的UDC特征被用作特征向量,使用随机森林回归模型[19]进行监督机器学习。然后,对这些特征向量进行测试,以观察它们是否以及如何准确地预测组织学相关特征以及脂肪变性、炎症、纤维化和气球样变的等级,从而将患者分类为单纯性脂肪变性或NASH。换言之,这种交叉验证测试了模型的性能。
常规MRI定量分析采用在商用工作站(PACS系统,AGFA-Healthcare,版本5.2)上进行的信号强度(SI)测量,由两名独立观察者完成:一名接受过专科培训、在腹部MR成像方面拥有8年以上经验的放射科医师(N.B.),以及一名拥有3年MR经验的技术员(R.F.)。两名观察者均对患者临床病史、实验室数据和组织病理学特征设盲。•肝实质SI在平扫图像上测量(PreSI),然后在注射对比剂后20分钟获得的对比增强图像上测量(PostSI)[15]。测量方法为在每个Couinaud肝段(包括 separately 第4a段和第4b段)放置九个独立的圆形感兴趣区(ROI),直径≥1 cm(图2)。绘制ROI时避开血管运动伪影和腹壁伪影,并远离可见的血管和胆道结构。肝脏SI以平扫图像上报告的相对强化计算,公式如下:相对肝脏强化(RLE)=(PostSI-PreSI)/PreSI,如前文详细描述[15]。
•肝脏脂肪分数(FF)由两名放射科医师分别独立计算。他们同样按照上述方法在所有肝段的正相位和反相位序列上放置ROI。肝脏脂肪定量如下:[(SIin-SIopp)/2 × SIin] × 100,即反相位图像上肝实质相对信号强度丢失的百分比。SIin和SIopp分别为正相位或反相位图像上的肝实质信号强度[23]。
•最后,我们分别将RLE和FF所有Couinaud段的平均信号强度相加,计算RLE和FF的平均肝脏SI。
统计分析
分类变量以数量和百分比表示,连续变量以均数和标准差表示。NASH与单纯性脂肪变性之间的差异对分类数据采用χ2检验评估,两组间连续数据的差异采用Student t检验评估。平均RLE或平均FF先进行单变量检验,再进行多元回归分析,以观察是否与NAFLD的组织学特征存在关联,并确定用于区分NASH与单纯性脂肪变性的独立影像学预测因子。对于UDC特征,我们使用随机森林分类器将这些特征与组织学联系起来,并评估其预测价值。为评估两种方法(UDC特征和常规MRI定量方法,即平均FF和平均RLE)准确区分NASH与单纯性脂肪变性的诊断性能,进行了受试者工作特征(ROC)曲线分析,并通过常用的优化步骤选择最佳截断值,该步骤最大化Youden指数以预测哪些患者患有NASH。随后,计算了两种方法在相应截断值下的敏感度、特异度、准确率、阳性预测值(PPV)和阴性预测值(NPV)以及曲线下面积(AUC)。评分者间变异性采用双向混合绝对一致性组内相关系数(ICC)评估[24]。采用DeLong检验比较联合UDC、RLE和FF特征在推导组和验证组中的AUC[25]。所有统计分析均在SPSS 25.0(SPSS Inc)或Python v3.7.0中针对推导组和验证组进行。统计显著性设定为p值小于0.05。
结果
推导组
特征
前瞻性纳入46例患者,其中男性M = 29例(63%),平均年龄49岁(范围18–78岁)。女性平均年龄44.62岁(范围18–64岁),男性平均年龄51.52岁(范围23–81岁)。组织学上,28例(61%)符合NASH标准,其余18例归类为单纯性脂肪变性。
NASH组男性多于女性,但性别、年龄和BMI之间的差异无统计学意义(表2)。MRI与肝活检之间的间隔为1至3天。
NASH患者的肝酶普遍高于单纯性脂肪变性患者。然而,这些数据中的大多数差异无统计学意义(表2)。已建立的临床评分,包括AST/ALT比值以及APRI、ALBI、NFS和Fib-4评分,在NASH患者中也较高。然而,仅NFS评分达到统计学显著性(表2)。
最终肝脏组织学诊断以及根据SAF评分(即S ≥ 1、A ≥ 1 + ≥ 1、NASH的任何F评分)的脂肪浸润、小叶炎症、气球样变和纤维化分期分布被用作金标准(表3)。与单纯性脂肪变性患者相比,NASH组中小叶炎症增加(p < 0.0001)、脂肪变性(p = 0.002)、气球样变(p = 0.005)以及纤维化(p = 0.001)的患者数量显著更多。
肝脏分割结果
用于肝脏分割的U-Net在推导肝脏队列上进行训练。我们从46例患者中随机抽取7例,并创建 ground truth 标签,用于评估在T1-Gd-EOB-DTPA-HBP和未增强T1序列上的分割准确性。我们发现,与未增强T1序列(Dice:0.897,召回率:0.961,精确率:0.842)相比,T1-Gd-EOB-DTPA-HBP的准确性更高(Dice:0.960,召回率:0.945,精确率:0.976)。
UDC的结果
在推导组中(总体p ≤ 0.001),我们能够使用Student t检验找到区分NASH与单纯性脂肪变的特征(表4)。计算了基于未增强T1和肝胆期T1-Gd-EOB-DTPA MRI(T1-Gd-EOB-DTPA-HBP)使用随机森林回归得出的纤维化、脂肪变、小叶炎症和肝细胞气球样变结果。在推导组中使用UDC,我们能够预测区分低级别(0、1级)和高级别脂肪变的变量(p < 0.001)、低级别(< 3级)和高级别纤维化的变量(p = 0.0005),以及小叶炎症(p = 0.001)和气球样变(p = 0.04)的分级。
此外,随机森林分类器能够以85.2%的准确率[AUROC = 0.854(95% CI:0.76–0.98)]、89.2%的敏感性、72.2%的特异性、83.3%的PPV和81.3%的NPV区分NASH与单纯性脂肪变患者(图3a)。
在推导组中,基于CSI(T1加权化学位移成像,即同相位和反相位)得出的UDC特征能够使用Student t检验区分NASH与单纯性脂肪变(p = 0.02)(表4)。使用随机森林回归,我们只能区分低级别和高级别脂肪变(p = 0.02)和炎症(p = 0.01)。基于CSI的UDC未能捕捉到能够可靠区分不同级别纤维化(p = 0.13)或肝细胞气球样变(p = 0.65)的特征。
随机森林分类器使我们能够以80.4%的准确率[AUROC = 0.792(95%CI 0.76–0.98)]、89.3%的敏感性、66.6%的特异性、80.6%的PPV和80.0%的NPV区分NASH与单纯性脂肪变患者。ROC曲线见图3b。
基于未增强T1和T1-Gd-EOB-DTPA-HBP联合CSI的随机森林分类器能够以78.3%的准确率[AUROC = 0.84]、75.0%的敏感性、83.3%的特异性、87.5%的PPV和68.2%的NPV区分NASH与单纯性脂肪变患者。联合ROC曲线见图3c。
MR衍生测量结果(RLE和FF)
MRI参数来源于与UDC所用图像相同的图像,即平扫T1和Gd-EOB-DTPA增强MRI(T1-Gd-EOB-DTPA-HBP)及CSI序列,在NASH患者与单纯性脂肪变性患者之间,两位读者的测量结果均存在显著差异。此外,这些测量结果在读者间具有极好的一致性,ICC值较高(0.8–0.9)(表4)。
RLE、FF与组织病理学参数之间关系的单因素和多因素分析汇总于表5。在单因素分析中,RLE与肝脂肪变性程度(Beta = − 0.422,p = 0.004)、小叶内炎症(Beta = − 0.408,p = 0.005)和纤维化程度(Beta = − 0.500,p ≤ 0.001)呈负相关,但与气球样变活动度评分无相关性(Beta = − 0.282,p = 0.059)。
在采用后退法的多元回归分析中,仅纤维化(Beta = − 0.397,p = 0.040,Beta − 0.574,p ≤ 0.001)仍是NASH的显著预测因素。同样,在单因素分析中,FF与脂肪变性(Beta = 0.733,p = 0.001)和炎症(Beta = 0.367,p = 0.012)呈正相关,但与气球样变(Beta = 0.105,p = 0.485)或纤维化(Beta = 0.069,p = 0.647)无相关性。在采用后退法的多元回归分析中,仅脂肪变性(Beta = 0.723,p ≤ 0.001)仍然显著。
对来源于平扫T1和Gd-EOB-DTPA-HBP-T1序列的RLE以及FF定量进行ROC分析,得出了区分NASH与单纯性脂肪变性的诊断性能。对于RLE,准确率为83.1%[AUROC = 0.808(95% CI:0.76–0.98)],敏感度为85.7%,特异度为83.3%,PPV为88.9%,NPV为78.9%(图4a)。
FF能够区分NASH与单纯性脂肪变性患者,准确率为78.3%[AUROC = 0.778(95%CI 0.81–0.98)],敏感度为85%,特异度为66.7%,PPV为80.0%,NPV为75.0%(图4b)。
联合UDC、RLE和FF的结果
最后,我们使用DeLong方法比较了使用平扫T1和T1-Gd-EOB-DTPA-HBP联合CSI基于随机森林分类器的UDC效能,以及RLE和FF [25]。联合ROC曲线以及DeLong p值见图4c。虽然所有p值均未达到统计学显著性的标称阈值(p < 0.05),但存在一种趋势,即将RLE和FF与来自同相位和反相位图像及平扫T1加权图像/Gd-EOB-DTPA增强HBP图像的UDC特征相结合时,与单独使用UDC特征相比,分类准确率有所提高(AUC UDC特征联合 + RLE + FF = 0.94,AUC UDC特征联合 = 0.83,DeLong p值 = 0.06)。
验证组
特征
回顾性入组的验证组由30例患者组成,M = 17(56.7%),平均年龄57岁(范围30–78)。单纯性脂肪变性和NASH亚组之间在年龄和BMI方面均无显著差异。在实验室指标中,仅AST、AST/ALT和NFS评分具有显著性(p ≤ 0.05)(表2S)。MRI与活检之间、MRI与实验室检查之间的间隔为1–3个月。组织学上,分别有13例和17例患者被分类为单纯性脂肪变性和NASH。
SAF评分的所有四个组织学组成部分,即脂肪变性分级(p = 0.211)、小叶内炎症(p < 0.001)、气球样变(p = 0.062)和纤维化(p ≤ 0.001),均能区分单纯性脂肪变性和NASH亚组。特别是,大多数NASH队列具有高炎症和高纤维化评分,但脂肪变性无差异(表3S)。
肝脏分割结果
对于验证队列,我们从30例患者中随机抽取4例并创建真实标签用于评估分割准确率。验证队列的结果(Dice:0.956,召回率:0.956,精确率:0.955)与衍生肝脏队列中T1-Gd-EOB-DTPA-HBP序列上的结果相似。
无监督深度聚类(UDC)结果
总体而言,对于验证组(p ≤ 0.001),我们使用Student's t检验发现了能够区分NASH与单纯性脂肪变性的特征(表4S)。再次使用随机森林回归结果将MRI与验证组中的四个组织学特征相关联,UDC能够区分低级别(分级 < 3)和高级别纤维化(p < 0.001),并且还能表征不同级别的小叶内炎症(p = 0.04)和气球样变(p < 0.001)。
此外,随机森林分类器能够将NASH与单纯性脂肪变性患者区分开来,准确率为83.3%[AUROC = 0.87],灵敏度为70.6%,特异度为100%,PPV为100%,NPV为72.2%(图3aS)。
在验证组中,源自CSI(T1加权化学位移成像)的UDC特征能够使用Student t检验区分NASH与单纯性脂肪变性,p < 0.05(表4S)。使用随机森林回归,基于CSI的UDC能够表征不同级别的小叶炎症(p = 0.013)和气球样变(p < 0.001),此外还能够将NASH与单纯性脂肪变性患者区分开来,准确率为43.3%[AUROC = 0.27],灵敏度为5.9%,特异度为92.3%,PPV为50%,NPV为42.9%(图3bS)。基于平扫T1和T1-Gd-EOB-DTPA-HBP联合CSI的随机森林分类器,能够将NASH与单纯性脂肪变性患者区分开来,准确率为86.7%[AUROC = 0.88],灵敏度为76.5%,特异度为100%,PPV为100%,NPV为76.5%。联合ROC曲线见图3cS。
MR衍生测量(RLE和FF)的结果
MRI参数,包括与UDC所用相同图像衍生的RLE和FF,在两位读者中均显示NASH与单纯性脂肪变性患者之间存在显著差异,测量值具有极好的读者间一致性,ICC值较高(0.8–0.9)(表4S)。
RLE、FF与组织病理学参数之间关系的单因素和多因素分析总结于表5S。RLE仅与小叶炎症(Beta = − 0.410,p = 0.025)和纤维化程度(Beta = − 0.574,p = < 0.001)呈负相关,而与气球样变(Beta = − 0.205,p = 0.277)和肝脏脂肪变性(Beta = − 0.005,p = 0.977)严重程度无关。多元回归发现仅纤维化(Beta − 0.574,p ≤ 0.001)是NASH的显著预测因子。
同样,在单因素分析中,FF与炎症(Beta = − 0.372,p = 0.043)和纤维化(Beta = − 0.366,p = 0.047)呈负相关。但在多元回归中,FF仅与炎症呈显著负相关(Beta = 0.476,p = 0.012)。
使用ROC分析评估RLE和CSI区分NASH与单纯性脂肪变性的诊断效能。对于RLE,准确率为86.7%[AUROC = 0.90(95% CI:0.79–1)],灵敏度为88.2%,特异度为84.6%,PPV为88.2%,NPV为84.6%(图4aS)。对于FF,准确率为66.7%[AUROC = 0.73(95% CI:0.57–0.90)],灵敏度为41.1%,特异度为100%,PPV为100%,NPV为56.5%(图4bS)。
UDC、RLE和FF联合的结果
最后,我们使用DeLong方法比较了UDC(使用平扫T1和T1-Gd-EOB-DTPA-HBP)联合基于随机森林分类器的CSI,以及RLE和FF的效能[25]。联合ROC曲线及DeLong p值见图4cS。与推导组一样,我们还观察到一种趋势,即将RLE和FF与来自化学位移图像及平扫T1加权图像/Gd-EOB-DTPA增强HBP图像的UDC特征相结合时,分类准确率相对于UDC特征联合有所改善 = 0.88,DeLong p值 = 0.09。
讨论
以组织病理学作为金标准,我们来自推导组的前瞻性数据表明,基于相同的MRI序列,即平扫T1加权图像和Gd-EOB-DTPA增强T1加权图像(T1-Gd-EOB-DTPA-HBP),以及化学位移成像(CSI),即同相位和反相位序列,我们可以通过应用两种独立方法区分单纯性脂肪变性与非酒精性脂肪性肝炎(NASH)。这些结果在验证组中得到证实。第一种方法使用无监督深度聚类(UDC)来提取MR成像特征,并用随机森林模型将单纯性脂肪变性与NASH区分开来。UDC是一种基于深度聚类网络(DCN)的相对较新方法,可将MRI纹理模式与组织学特征联系起来[17]。第二种方法依赖于脂肪分数(FF)量化和平均RLE计算,即肝实质信号强度,这些指标已被证明在非酒精性脂肪性肝病(NAFLD)中具有实用性,我们的结果也证实了这一点[15] [23, 26, 27]。在推导组和验证组中,单纯性脂肪变性组的RLE均显著高于NASH组,确定的截断值为≤ 1 [15, 23]。此外,我们的阅片者在推导组中还计算出NASH患者的平均FF显著高于单纯性脂肪变性患者[23],但验证组的结果相反,这反映了所描述的NAFLD机制和后果[28]。因此,我们的研究证实了RLE、FF和UDC在NAFLD诊断评估中的作用。
有趣的是,基于平扫T1和T1-Gd-EOB-DTPA-HBP的RLE以及基于CSI的FF,在区分NASH与单纯性脂肪变性方面的准确性与UDC相似。更引人注目的是,通过采用基于平扫T1和T1-Gd-EOB-DTPA-HBP的UDC,我们不仅发现特征能够区分NASH与单纯性脂肪变性,而且随机森林分类器技术还能够预测区分低级别与高级别脂肪变性、低级别与高级别纤维化、甚至小叶炎症和气球样变分级的变量。相反,当基于CSI衍生的UDC数据构建随机森林分类器时,仅能区分低级别与高级别脂肪变性以及炎症严重程度,但无法区分纤维化严重程度或肝细胞气球样变分级,这一点在验证组中得到证实。
同样,在基于CSI的FF的多变量回归分析中,只有脂肪变性仍然是NASH的独立预测因子,而气球样变、炎症甚至纤维化在推导组中被排除。此外,基于平扫T1和T1-Gd-EOB-DTPA-HBP图像的RLE的多变量分析证明,只有纤维化是NASH的独立组织病理学预测因子,该模型中所有其他成分均被排除。
为解释推导组与验证组之间脂肪变性程度的差异,应认识到NASH是由过量游离脂质种类(如游离脂肪酸、神经酰胺)引起的脂毒性所致,而非甘油三酯本身。因此,其与脂肪变性程度或甘油三酯含量之间没有必然相关性,后者可能被视为脂毒性的旁观者而非原因[29]。与脂质分配的概念一致,在啮齿动物模型中,潜在毒性脂质种类滞留于原本惰性的脂滴内,可通过阻止蛋白激酶C的激活, paradoxically保护肝脏免受脂质诱导的肝脏胰岛素抵抗[28]。
必须牢记,在四个组织学变量中,纤维化已被证明是NASH结局的最佳预测指标[30–33]。无论是否对混杂因素进行了校正,一项对超过4,000例患者的分析发现,纤维化分期不仅与肝脏相关发病率和死亡率相关,甚至与全因死亡率也相关[30]。因此,为避免不良结局,任何伴有严重纤维化的NAFLD患者都应密切监测[1, 34]。
我们的结果表明,RLE是一种稳健的方法,可将单纯性脂肪变性与NASH区分开来,具有相对较高的准确性和准确的纤维化分级。此外,已有研究为此目的确立了≤ 1.0的截断值[15, 23]。然而,UDC,特别是使用平扫T1和T1-Gd-EOB-DTPA-HBP时,似乎是更强的预测指标,因为它能够检测并分期NAFLD的全部四个组织学特征。同时,UDC将肝脏分割为与NAFLD个体之间所见相似的组织区域。因此,UDC可能有助于阐明脂肪变性、炎症、气球样变和纤维化及其对治疗干预(包括饮食和药物治疗)的反应。这在NAFLD患者的纵向临床研究中可能是有益的。
根据我们的结果,来自Gd-EOB-DTPA-HBP增强MRI的数据能够可靠地对NAFLD进行分期,并使用RLE预测纤维化或使用UDC预测所有组织学NASH组分。CSI的价值较小,因为它只能预测脂肪变性分级,尽管这有助于诊断NAFLD,但无法提供关于疾病预后和严重程度的信息。
一般来说,NAFLD 的半定量评估或分级有两种系统。第一种是来自 NASH CRN 的 NAFLD 活动性评分(NAS)[35]。其标准基于 Brunt 分类建立,包括脂肪变(0–3)、小叶内炎症(0–3)、肝细胞气球样变(0–2)和纤维化(0–4)[36]。第二种是来自欧洲脂肪肝进展抑制联盟的脂肪变活动性纤维化(SAF)评分[20]。我们使用后者,因为尽管 NASH 的可能性随 NAS 增加而增加,但存在一个宽泛的灰色区域(NAS 3–4),其中 NASH 可能存在也可能不存在[20]。SAF 评分是一种简单的评分系统,似乎比仅根据 NASH 存在与否对病例进行二分法分类更具相关性[20]。然而,众所周知,任何评分系统在肝活检组织学分级中,活检都容易出现采样误差和观察者间变异[6, 37]。这可能是大多数经验证的诊断 panel(包括 UDC、RLE 和 FF)的 AUROC 处于 0.7–0.85 范围而未更高的原因之一。不足之处不在于这些诊断工具,而在于用于区分 NASH 与单纯脂肪变的四个变量的组织学严重程度存在重叠。此外,SAF 和 CRN 评分对组织学改变的敏感性低于定量分析,后者仅评估小叶内炎症,而非像 UDC、RLE 或 FF 那样同时评估小叶内和汇管区炎症[38]。组织学气球样变评分与使用 UDC 和 RLE 的气球样变定量之间也存在重叠,可能是因为病理学家更依赖于质量而非数量。最后,这些影像学算法将脂肪百分比定义为整个组织区域内脂肪变的比例,而非像病理学家那样纯粹在肝细胞内定义,使其易受采样变异影响。因此,设计一项前瞻性研究,直接比较来自 MRI 的 UDC 特征与来自活检标本组织病理学的深度学习特征,可能会产生更好的结果。
我们必须承认若干局限性。虽然推导组仅有 46 例患者,这限制了我们结果的普遍性,但我们的独立验证组证实了这些结果。此外,由于聚类是在 patch 水平而非患者水平进行的,样本量为 50,000 个 patch。因此,实际样本量远大于表面所见。此外,通过分别使用具有 10 个和 20 个向量特征的随机森林分类器,减少了过拟合。验证组证实了我们初步发现,这支持了数据质量。关于 FF 的评估,多回波技术本可为 UDC 提供比 CSI(即双回波同相位和反相位)更多的信息。然而,由于我们的 NAFLD 队列中没有一例存在可检测的肝铁,而肝铁是已知可低估 FF 的混杂因素,因此双回波技术可能已经足够,即使不如多回波技术理想[39]。
我们使用了两种不同的统计方法,即针对RLE和FF的回归分析,因为二者各自只有一个特征,所以只需要一个自由度的特征向量。然而,由于UDC评估了多个特征,我们使用了随机森林分类器,其特征向量具有多个自由度。我们建议在定量比较这些方法时保持谨慎,并将结果视为探索性的。最后,本研究为横断面研究,不能提供MRI临床预测规则在检测NAFLD患者变化方面长期获益的证据。因此,进一步开展前瞻性研究,对MRI和组织病理学标本采用基于AI的计算分析,可能进一步揭示微观与宏观特征之间的关系。
总之,两种不同的技术,即UDC方法和成像参数(RLE和FF),可以基于来自未增强T1和T1-Gd-EOB-DTPA-HBP MR图像以及CSI的相同数据,独立区分NASH和单纯性脂肪变性。UDC方法具有可比性,并被证明能够使用未增强T1和T1-Gd-EOB-DTPA-HBP图像预测所有NAFLD组分。推导组和验证组之间结果的一致性证实了该方法的稳健性。
重要的是,UDC在评估过程中不需要对ROI进行手动标注,因此不受操作者偏倚和经验的影响。结果表明,机器学习方法可以识别与组织病理学衍生参数相关的预测性MRI模式。这有可能使其能够用于扩展我们的成像模式词汇,并生成关于其与疾病关系的假设。
补充信息
以下是电子补充材料的链接。补充文件1(PDF 1.68 MB)
引用
- Bastati N, Perkonigg M, Sobotka D, et al. Correlation of histologic, imaging, and artificial intelligence features in NAFLD patients, derived from Gd-EOB-DTPA-enhanced MRI: a proof-of-concept study. Eur Radiol. 2023. PMID: 37358613. doi:10.1007/s00330-023-09735-5
- 全文:PMC10598123(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10598123/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。