慢性肝病影像检查中肝脾体积测量的影响:一篇叙述性综述
该叙述性综述探讨CT和MRI肝脾体积测量在慢性肝病诊断、严重度评估和预后预测中的作用,指出体积测量与肝纤维化分期、临床结局和死亡相关,全自动方法有望用于常规临床实践。
要点
- CT和MRI肝脾体积测量与肝纤维化分期及肝硬化相关。
- 肝脾体积测量与慢性肝病结局相关。
- 全自动体积测量方法是将体积分析纳入常规临床实践所必需的。
核心结论
- 肝脾体积分析可为慢性肝病患者提供重要信息,有潜力对患者肝纤维化分期和疾病严重度进行分层,并提供关键预后信息。
研究设计与样本
- 叙述性综述,检索PubMed和Google Scholar数据库自建库至2023年7月,对每个数据库前100条结果进行标题和摘要筛选,并对相关文章的参考文献和被引文章进行引文审查。
关键影像表现/征象
- 肝硬化在CT和MRI上的形态学改变包括右叶和IV段萎缩、I–III段肥大、肝表面结节状、胆囊窝扩大、肝门区门周间隙增宽和右叶后切迹。
- 晚期纤维化和肝硬化时出现段性体积改变,I–III段逐渐增大,IV–VIII段萎缩。
- 门静脉高压导致脾脏增大,肝实质随慢性肝病严重度增加发生明显改变。
诊断标准与关键数值
- CT和MRI形态学征象诊断肝硬化的准确度范围为70%至90%。
- MRI主观评估中,肝表面结节状检测显著纤维化(F2或以上)的准确度为80%。
- 体积测量与纤维化分期相关的AUC范围为0.63至0.94。
- spleen volume to platelet ratio > 3.78(敏感度69.4%;特异度78.5%)和 > 1.63(敏感度100%;特异度38.9%)用于检测高风险静脉曲张。
- 源自CT的脾体积阈值532 mL用于预测肝细胞癌的发生。
临床应用与阅片要点
- 肝脾体积测量可在已行CT或MRI的患者中补充或潜在替代上述无创检查(当不可用时)。
- 建议尽可能使用来自当地或相似参考队列的性别特异性肝脾体积阈值。
- 使用基于体表面积的肝体积指数(CT测量肝体积除以基于BSA公式估算的肝体积)可作为大静脉曲张和静脉曲张出血的独立预测因子。
- 使用脾体积与血小板计数比值可提高区分Child-Pugh分级的准确度(相较单纯脾体积)。
- 全自动深度学习方法分割肝脾具有优异准确度和速度,但需对正常范围进行跨人群验证以标准化测量。
局限性
- 不同人群报告的正常脾体积可能因种族、年龄或体型不同而有差异。
- 来自亚洲和北美最大队列的脾和肝体积正常上限范围重叠。
- 体积测量方法耗时且需要熟悉影像解读和肝脏Couinaud段解剖。
- 立体学方法仍需额外软件且可能受层厚影响。
- 评估PSC患者肝体积的研究均未探索病变与非病变肝实质的体积测量。
全文中译16 节 · 点击展开
引言
慢性肝病(CLD)在全球范围内导致显著的发病率和死亡率[1]。CLD的疾病谱从早期无症状的肝脏炎症、损伤和/或纤维化,到终末期肝病伴肝硬化、门静脉高压、失代偿、肝癌和死亡等并发症。在全球范围内,乙型肝炎和丙型肝炎仍然是肝硬化的最常见病因[2]。虽然病毒性肝炎和酒精性肝病传统上构成了西方国家大多数CLD病例,但非酒精性脂肪性肝病(NAFLD)目前正迅速成为CLD负担日益增长的因素[2, 3]。
CLD的诊断、预后评估和管理依赖于临床评估、血液生化检查、血清学和分子检测、有创检查(肝活检)和无创检查(肝脏弹性成像和影像学)。超声(US)是肝脏初始评估的首选 modality,因其广泛可及、成本较低、无电离辐射以及避免静脉注射造影剂[4]。然而,US成像存在一些局限性,例如无法完全显示和表征肝实质及局灶性病变(例如在肥胖患者中)[5],这促使人们使用其他 modality,如计算机断层扫描(CT)和磁共振成像(MRI)[6, 7]。这些 modality 能够完全显示上腹部肝脏及邻近结构,提供肝脏和胆道系统的可重复评估,并可检测门静脉高压的特征如脾肿大,即使在 US 通常不可行的显著肥胖患者中也是如此。
CT 和 MRI 扫描通常使用静脉造影剂进行,这对于表征局灶性肝脏病变很重要。然而,增强成像也用于评估肝实质和血管系统(门静脉通畅性和门体分流)。肝硬化的 CT 和 MRI 形态学改变包括右叶和 IV 段萎缩、I–III 段肥大、肝表面结节状(LSN)、胆囊窝扩大、肝门区门周间隙增宽和右叶后切迹。这些征象诊断肝硬化的准确率为 70% 至 90%[8]。然而,关于 CT 和 MRI 主观判读在评估早期和晚期纤维化(肝硬化前)肝实质方面的准确性知识有限[9]。在一项评估 MRI 主观评估的研究中,LSN 检测显著纤维化(F2 或以上)的准确率为 80%[10]。
为克服这一局限性,已提出基于定量形态学的方法,包括使用 CT 图像进行手动和半自动测量。这些包括尾状叶与右叶比值的 2D 测量、门静脉和肝静脉直径及比值、造影前后肝实质强化以及 LSN 的主观或半自动评估[11–13]。此类方法需要由经验丰富的阅片者进行额外的、通常耗时的测量。
肝脏和脾脏的体积测量已被提出作为肝病严重程度的标志物。此类测量可从静脉注射对比剂或不注射对比剂的CT或MRI扫描中获得。门静脉高压导致脾脏体积增大,而随着慢性肝病(CLD)严重程度的增加,肝实质会发生明显变化[14, 15]。在晚期纤维化和肝硬化中会出现段性体积变化,表现为I–III段逐渐增大、IV–VIII段萎缩。脾脏和肝脏总体积以及肝脏各段体积的这种变化,可通过先进的可视化软件包以手动、半自动以及近年来完全自动的方式测量[16]。这些测量值可作为绝对值使用,或用于推导诸如肝脾比(LSR)等比值。
人工智能(AI)是一个广泛的领域,包括各种用于分析影像和非影像数据的自动化方法。深度学习是AI的一个子领域,涉及使用神经网络来执行图像分割等任务。此类方法已应用于CT和MRI图像,以高精度对肝脏和脾脏进行体积分割[17]。使用AI方法实现体积分割自动化,可以快速评估大型数据集,并可能在未来应用于常规临床诊疗。
在本文中,我们将综述关于CLD中肝脏和脾脏体积评估的文献,并讨论其在临床实践中的应用。我们将首先综述这些测量是如何获得的以及偶尔如何进行调整。然后,我们将探讨体积测量在CLD患者诊断、严重程度评估和结局预测中的作用。
方法
进行了文献综述,下文总结了相关研究的信息。
文献检索方法
使用PubMed和Google Scholar数据库进行了从建库至2023年7月的文献检索。检索词包括((肝脏体积 OR 脾脏体积)AND(肝病 OR 肝纤维化 OR 肝硬化 OR 门静脉高压 OR 肝细胞癌(HCC))AND(计算机断层扫描 OR CT OR 磁共振成像 OR MRI))。对每个数据库的前100条结果进行了标题和摘要筛选。对可能相关的文章进行了全文审阅。还对相关文章的参考文献及引用文章进行了引文审查。对其他相关文章,包括综述文章、通讯和图文综述,也进行了相关参考文献的审查。
CLD定量评估方法
肝脏和脾脏大小的体积分析依赖于在CT或MRI扫描的每一层图像上手动勾画这些器官的边缘,然后将面积测量值乘以层厚[18]。这通常在轴位图像上进行(图1),但也可以使用其他平面,如CT图像的冠状位重建或冠状位MRI序列。这种方法耗时,且需要熟悉影像判读[19]。此外,准确测量肝段体积还需要了解肝脏的段解剖(Couinaud分段)(图1)。
影像软件包的发展产生了能够对肝脏和脾脏进行半自动分割的产品,显著缩短了体积分析时间[20, 21]。此外,在此类软件包内识别肝脏内的解剖标志使得能够准确分析肝脏Couinaud段。更近期,已有报道采用全自动深度学习方法对肝脏和脾脏进行分割,兼具优异的准确性和速度[22]。此语境中的分割是指对包括肝脏和脾脏在内的器官进行标注,而非肝脏Couinaud段。此类方法依赖于在大型数据集上训练的人工智能算法。表1总结了手动、半自动和全自动肝脏和脾脏分割的优缺点[19–22]。
使用CT或MRI二维测量估算肝脏和脾脏体积已被证明与体积分析准确相关[23, 24]。已有在线计算器可利用简单的二维测量进行肝脏和脾脏体积测定(http://radclass.mudr.org/)。此外,肝脏的立体学测量已被成功应用。立体学评估不是测量每个轴位平面上对象的整个面积然后求和,而是采用统计技术,如基于网格的方法,利用放置在横断面图像上的网格中的肝脏像素数据。像素由具有相交平行线(通常为水平和垂直)的网格产生,其中每个像素的面积已知,像素数量用于估算对象所占的面积和体积。然而,此类方法仍需要额外的软件,并可能受到层厚的影响[25–27]。
绝对体积、比值和调整
一些研究使用绝对体积测量值,其截断值来源于早期研究(表2)(补充图1)。包括患病和健康个体在内的大型队列的体积数据的可用性使得能够评估器官体积的正常范围[22]。然而,需要在不同人群中对正常范围进行验证以标准化测量。其他研究因个体体型差异而对肝脏和脾脏采用不同的调整参数。常见方法包括使用肝脾比值,称为肝/脾体积比(LSR)(表3)(补充图2)或肝脏段体积比(LSVR),即Couinaud I–III段与IV–VIII段的比值[16, 28, 29]。另一种方法是将肝脏或脾脏体积调整至体表面积(BSA),后者依赖于个体的身高和体重,或调整至体重[30–32]。少数研究将血小板计数或白蛋白纳入肝脏和脾脏体积[33–38]。
阈值和正常范围
尽管现有文献支持在具备CT或MRI数据的慢性肝病(CLD)患者中使用体积测量,但推导适合临床使用的有用阈值仍具有挑战性。Kim和Ha提出了来自健康韩国队列(2989名受试者)的正常脾脏体积数据(均值±标准差;男性,194.1±64.2 cm3;女性,148.8±47.0 cm3)[22]。然而,在不同人群中应用此类阈值会变得有问题,因为由于种族、年龄或体型的不同,所报道的正常脾脏体积可能存在差异。来自美国一个大型队列的数据证明了这一点,该队列包含8853名接受CT结肠成像或用于肾供体筛查的CT检查的患者,其中男性和女性的平均脾脏体积为216±100 cm3 [39]。报告正常脾脏体积的研究汇总见补充表7 [22, 24, 31, 39–57]。此类针对正常脾脏体积的国家特异性阈值仍低于所报道的无肝纤维化CLD患者的脾脏体积(表2)。因此,与无CLD的健康人群相比,用于排除CLD患者肝纤维化的脾脏体积阈值可能仍被视为异常。
同样,肝脏体积的正常阈值在不同队列之间也存在差异。Kim和Ha的韩国研究报告了正常肝脏体积(男性,1296.9±212.5 cm3;女性,1058.0±162.1 cm3),而来自美国一项纳入3065名患者的研究(来自上述同一队列)[39]报告的平均肝脏体积为1533±375 cm3。使用来自这两个队列(分别代表亚洲和北美最大的队列)的均值+2 SD作为正常上限,将导致脾脏和肝脏体积的范围重叠[22, 39]。因此,建议尽可能使用源自当地或相似参考队列的性别特异性肝脏和脾脏体积阈值。
CLD的疾病谱、无创检查与体积测量
CLD的疾病谱包括肝硬化前期(纤维化)、代偿期肝硬化和失代偿期肝硬化,随着肝硬化进入失代偿期,并发症(器官衰竭、腹水、出血和/或肝性脑病)风险更高。公认的纤维化分期金标准是肝活检,但可能受限于采样和判读误差[58–60]。同样,评估临床显著门静脉高压的公认金标准是肝静脉压力梯度(HVPG)。这些是有创操作,伴有出血、疼痛、住院和罕见死亡的风险[61, 62]。因此,瞬时弹性成像、剪切波弹性成像、磁共振弹性成像(MRE)等无创检查,以及天冬氨酸氨基转移酶(AST)与血小板比值指数(APRI)、Fibrosis-4(FIB4)、NAFLD纤维化评分、Fibroscan-AST(FAST)[63]和人工智能支持系统[64, 65]等预测评分已被验证可用于预测不同病因CLD中肝纤维化的严重程度和临床结局。临床病理风险评分如Child-Pugh分级和终末期肝病模型(MELD)评分被广泛用于预测CLD患者的预后[66]。
对于已经接受过CT或MRI的患者,其肝脏和脾脏的体积测量可以补充或潜在替代上述无创检查(在后者不可用时)。这些测量可提供关于CLD严重程度的相关附加信息,并有助于预测临床结局,而无需侵入性操作。此类体积测量的价值将在下文讨论。然而,这些结局相互关联,有时在CLD整个疾病谱中以不同速率伴随出现。
临床考虑
肝硬化和纤维化分期
多项使用CT和MRI的研究表明,肝脏和脾脏的体积分析可用于区分肝硬化和非肝硬化肝脏(补充表1)[22, 34, 36, 49, 51, 67–69]。Torres等人在1986年报告了使用75例活检证实的肝硬化患者和50例无肝病对照患者的CT图像所显示的肝段形态学体积变化。他们证明,与对照组相比,肝硬化患者的尾状叶和左外段更大,右叶更小[67]。随后在不同人群中的研究证实了这些发现,并显示了与无纤维化患者相比,与显著和晚期纤维化的额外相关性(补充表2)。Kim和Ha使用AI算法进行肝脏和脾脏分割,比较了158例接受CT扫描的乙型肝炎病毒患者与2989名健康对照(活体供者)的肝脏和脾脏体积以及LSR。他们提供了来自健康对照队列的正常范围参考值,并表明与对照组相比,乙型肝炎病毒患者(伴和不伴肝硬化)的肝脏更小、脾脏更大、LSR更小[22]。Lee等人证明,使用AI算法测量的LSVR可以中等准确度诊断显著纤维化和肝硬化[16]。此外,Son等人证明,用于脾脏和肝脏体积测量的AI分割算法可用于在韩国队列中准确诊断显著和晚期纤维化[70]。将体积测量与纤维化分期相关的研究报告,受试者工作特征曲线下面积(AUC)范围为0.63至0.94(补充表2)[12, 16, 28, 31, 32, 44, 53, 68, 70–76]。
肝病和门静脉高压的临床严重程度
在已确诊肝硬化的患者中,CLD按Child-Pugh分级临床严重程度的增加与肝脏体积的减少相关(补充表3)[34, 49, 77, 78]。Chen等人评估了205例来自乙型肝炎病毒的肝硬化患者和40名健康对照,这些受试者接受了肝脏MRI并手动测量脾脏和肝脏右叶体积以获得右叶与脾脏比值[49]。他们在区分Child-Pugh分级方面达到了中至高度准确度。在随后对同一队列的分析中,作者证明,与单独脾脏体积相比,脾脏体积与血小板计数比值提高了区分Child-Pugh分级的准确度[34]。
在原发性硬化性胆管炎(PSC)患者中,临床严重程度通常采用Mayo风险评分而非Child-Pugh分级进行评估(补充表3)。Idilman等评估了接受肝脏MRI联合MRE检查的患者。体积测量在预测高Mayo风险评分组方面显示出中等准确性,但不如使用MRE测量的肝脏硬度[79]。Khoshpouri利用CT和MRI对PSC患者进行分析以获得体积测量值。左叶与全肝体积比对区分低危和中危与高危Mayo评分显示出最佳相关性[80]。值得注意的是,在评估PSC患者肝脏体积测量的研究中,均未探讨肝实质病变部分与非病变部分的体积测量。
此外,肝脾体积在肝硬化患者中已与HVPG(评估门静脉高压严重程度的金标准)进行相关性分析(补充表3)[81–88]。Tseng等利用77例肝硬化患者的白蛋白、AST、血小板计数和CT测量的肝脏体积推导出一个公式,用于识别临床显著门静脉高压(定义为HVPG ≥ 10 mmHg)[83]。Yan和Wu开发了一个结合LSR与内镜下静脉曲张大小的模型,用于预测乙型病毒性肝炎肝硬化患者的HVPG。其模型在预测HVPG > 12 mmHg方面达到了极好的准确性[84]。最后,Romero-Cristobal和Clemente-Sanchez使用一个体积指数(由脾脏体积乘以CT获得的LSVR得出)来预测HCC患者的HVPG。该体积指数与非侵入性检测相当,在其队列及一个外部队列中以中等准确性预测HVPG ≥ 10 mmHg[82]。
预测结局
肝脏疾病严重程度(包括纤维化分期)与失代偿风险之间的相关性已被广泛认识[89]。不出所料,肝脾体积也已与失代偿风险、移植需求和死亡率进行相关性分析(补充表4)[29, 90–104]。
Patel等使用CT扫描评估了584例肝硬化患者的肝脏体积。在中位随访3.1年期间,19%接受了肝移植,23%死亡。存活者的肝脏体积大于接受移植或死亡者,且在调整年龄和MELD评分后这一差异仍然显著[100]。在对同一队列的后续分析中,Patel等评估了脾脏体积和LSR的价值。他们发现较大的脾脏与移植和死亡率之间存在显著相关性,但当年龄和MELD评分纳入分析后,该相关性不再显著[55]。
Yoo等研究了一个韩国乙型肝炎病毒感染者队列,通过CT半自动测量脾脏体积。在中位随访7.7年后,较大的脾脏与失代偿、死亡和肝细胞癌(HCC)的发生相关[103]。在一个更大的韩国乙型肝炎肝硬化患者队列(1027例)中,Kwon等使用人工智能(AI)算法测量肝脏和脾脏体积。他们证明,在调整Child-Pugh和MELD评分后,肝脏-脾脏体积比(LSR)与失代偿和无移植生存独立相关[29]。Hu等将肝脏体积与年龄、凝血酶原时间、肝性脑病分级、胆红素和乙型肝炎病毒载量纳入一个预测急慢性肝衰竭患者28天死亡率的模型。肝脏体积通过CT半自动测量,并根据由年龄、CT上的胸宽和种族(亚洲人或白人)计算得出的估计肝脏体积进行调整。他们的模型达到了0.906的曲线下面积(AUC),高于未纳入肝脏体积测量的其他模型[93]。
肝脏和脾脏体积随时间的变化与临床结局相关(补充表4)[92, 95, 104, 105]。Heo等利用基线和1年随访时为肝细胞癌筛查而进行的MRI扫描中的肝脏和脾脏分割,评估了280例患者,中位随访时间为8.7年。他们证明LSR与失代偿相关,且1年时LSR变化是肝脏相关死亡或移植的独立预测因素[92]。脾脏长度的变化已在原发性硬化性胆管炎(PSC)患者中进行了研究。Jung等表明,通过超声(US)或MRI测量的脾脏长度变化是临床结局(移植和肝脏相关死亡)的独立预测因素[106]。Khoshpouri等对89例PSC患者进行了CT和MRI的体积测量,证明脾脏体积或左叶与全肝体积比的变化以中等准确度预测无移植生存[105, 107]。肝脏和脾脏体积的变化也在丙型肝炎患者中进行了研究[105, 107]。Haider等证明,接受抗病毒治疗的患者治疗前后脾脏体积减小,而未治疗患者的脾脏体积增加[105]。
胃食管静脉曲张
胃食管静脉曲张的存在及出血风险是伴门静脉高压的慢性肝病(CLD)患者初始评估和监测的重要组成部分[89]。利用体积测量法评估这一特定结局的研究总结于补充表5[30, 33–38, 55, 57, 108–114]。Kim等评估了CLD患者静脉曲张的存在及静脉曲张出血的发生。在该研究中,作者测量了肝脏体积指数,其定义为CT测量的肝脏体积除以根据体表面积(BSA)公式估算的肝脏体积。肝脏体积指数是大静脉曲张和静脉曲张出血的独立预测因子[30]。Wan等使用了在内镜相关性患者的CT上测量的尾状叶与全肝体积之比。该比值在低风险静脉曲张和高风险静脉曲张患者之间差异有统计学意义。此外,该比值是首次静脉曲张出血的独立预测因子[112]。Chen等使用乙型肝炎肝硬化患者MRI上测量的右肝叶和脾脏体积经血小板计数调整后,预测静脉曲张的存在[34]。类似地,Lee等在接受内镜检查的乙型肝炎相关肝硬化患者中使用脾脏体积与血小板比值,并报告了检测高风险静脉曲张的平衡 cutoff 值> 3.78(敏感性69.4%;特异性78.5%)和高敏感性 cutoff 值> 1.63(敏感性100%;特异性38.9%)[35]。
肝细胞癌相关结局
预测肝细胞癌(HCC)的发生
Yoo等研究了乙型病毒性肝炎患者,测量了CT上的脾脏体积(见上文)。在中位随访7.7年后,较大的脾脏与HCC的发生相关。在其队列中,19.5%发生HCC,估计1年、3年、5年和7年HCC累积发生率分别为0.5%、8.2%、12.2%和17.2%。作者推导出532 mL的脾脏体积阈值用于预测HCC的发生[103]。Lee等研究了韩国一个类似的乙型病毒性肝炎队列,共429例患者至少接受了一次多期CT用于HCC监测。在该研究中,肝脏体积指数由估算肝脏体积(根据基于BSA的公式推导)除以CT测量的肝脏体积计算得出。肝脏体积指数与HCC的发生显著相关。作者随后创建了一个纳入年龄、性别、肝硬化存在情况及肝脏体积指数的列线图,该列线图在预测HCC发生方面表现显著优于传统风险评分,AUC分别为0.758 vs. 0.661–0.712[115]。同一研究组在丙型肝炎队列中使用了肝脏体积指数,并展示了类似发现[116](补充表6)[103, 115–117]。
预测HCC治疗后的结局
肝脏体积测量,包括未来残肝体积,已成为考虑肝癌(HCC)肝切除术患者术前评估的标准诊疗内容[118]。除绝对体积测量外[119],还可通过多种功能成像评估未来残肝功能,以最大限度降低肝切除术后肝衰竭(PHLF)风险[118]。例如,使用钆塞酸增强肝脏MRI可从平扫及延迟20分钟增强后相位获取肝脏强化测量值,以评估肝功能并预测PHLF[120]。脾体积,无论是否根据未来残肝体积、体表面积(BSA)或血小板进行调整,也与PHLF和生存相关[121–129]。肝脏和脾体积测量还已被研究用于预测热消融、经动脉化疗栓塞和经动脉放射栓塞等局部区域治疗以及全身治疗后的结局[130–136]。由于此类治疗的差异性和复杂性,详细描述这些研究的结果超出本综述范围。然而,相关研究的总结见补充表6。
多囊肝病
多囊肝病是形成多个囊肿(通常超过20个)并导致肝脏进行性增大的疾病[137, 138]。对这一特殊疾病的详细讨论超出本综述范围。
讨论
CT和MRI的肝脏和脾体积测量可为慢性肝病(CLD)患者提供有用信息。本综述讨论的研究表明,不同体积参数无论单独使用还是与其他生物标志物联合使用,均可为各种CLD结局提供重要的诊断和预后模型。然而,根据文献经验,有几点应予注意。使用绝对体积测量的研究已显示与结局存在显著相关性,但由于不同种族或地理人群的体型差异,可能并非普遍适用。源自亚洲队列的绝对器官体积正常参考范围可能不适用于非洲或北美人群,反之亦然。因此,将肝脏或脾体积测量按体型参数(如BSA)标准化,或使用器官比值(如肝脏/脾脏比值(LSR)或肝脏/脾脏体积比(LSVR)),可能有助于实现不受体型影响的更普遍评估。
除少数例外,当肝硬化和临床显著门静脉高压已经确立时,不同CLD病因下肝脏和脾脏的影像学表现相对相似。然而,不同病因可能在CLD早期阶段导致肝脏和脾脏的不同形态学改变[77, 96]。例如,这些差异可能影响体积截断值和比值在纤维化分期分类中的有效性。Lee等从丙型肝炎队列中得出LSVR用于肝纤维化分类。然而,当应用于混合病因CLD患者的外部队列时,所推导的用于识别显著纤维化和肝硬化的阈值准确性下降[16]。因此,需要来自包含不同CLD病因的大队列的体积数据,以推导出有用的器官体积和比值阈值。
该主题研究的时间线反映了放射学软件技术的进步。早期研究采用手动分割,即在每个层面上手动勾画肝脏或脾脏的轮廓。现已过渡到使用肝脏和脾脏的半自动分割,多个先进可视化软件包中均可实现,从而加快分割速度。然而,这需要将CT或MRI控制台或图像存档与通信系统(PACS)中的图像发送至这些软件包,然后由经验丰富的放射科医生或成像技师进行分析。这些步骤增加了将体积分析纳入常规实践的复杂性,并将其使用限制在专科中心的特定病例中。
为克服这些问题,已提出使用人工智能深度学习技术的全自动分割算法。使用AI算法的研究已表明,在分割肝脏和脾脏方面可取得准确结果且无显著延迟。Ahn等人使用标记的CT数据开发了一种肝脏和脾脏分割算法,测量误差< 5%。他们报告自动分割每次扫描所需时间约为33秒,审查和校正所需时间< 1分钟[17]。随后,该算法被用于Kim和Ha研究中的大规模数据(> 3500例患者)[22]。
在临床实践中过渡到使用AI算法进行分割需要若干临床和技术步骤。需要在本地队列中测试AI算法的准确性,包括有无AI算法再训练的情况。部署包括整合到PACS中,这一步骤涉及技术专长、额外软件平台以及可能额外的硬件[139, 140]。尽管AI在腹部成像器官分割方面的研究已进展十余年,但这种整合尚未大规模实现。因此,在将肝脏和脾脏体积分析用于CLD患者常规成像的过程中,有两个相互关联的主要要求至关重要:(1)准确的自动化工具,能够轻松整合到多个供应商的PACS环境中,理想情况下为开源或可负担的;(2)源自人群水平队列的正常范围参考值。没有前者,后者的执行耗时较长。需要定期审核AI算法输出,以确保结果保持准确和适当。还需要在新数据(例如新型扫描仪)上持续进行AI训练,以确保AI算法的高准确性。在这些要求得到满足之前,大规模使用肝脏和脾脏体积分析仍将局限于研究环境。
除肝脏和脾脏体积评估外,还可从多期对比增强CT和MRI获得若干其他定量测量。例如,从平扫和平衡期得出的肝实质强化用于推导细胞外容积分数,已与CLD严重程度相关[13, 141, 142]。此外,钆塞酸增强肝脏MRI在CLD患者中临床应用的增加,促进了肝脏强化测量的发展,这些测量已与肝功能、CLD严重程度以及肝切除术患者的术后并发症相关[78, 120, 143, 144]。
肝脏和脾脏体积测量的临床背景很重要。此类体积分析的应用已在精心选择的慢性肝病(CLD)队列中有所描述,部分研究将CLD患者与正常对照进行比较。然而,当自动化器官体积测量应用于临床实践中的常规腹部CT和MRI扫描时,CLD和非CLD患者均会被分析。除CLD外,肝脏和脾脏体积还受各种感染性、炎症性和肿瘤性病理生理过程的影响。利用病历中的非影像数据来识别哪些患者可从肝脏和脾脏体积报告中获益,需要进一步整合和链接不同的数字病历平台。此类额外数据也可作为结合影像和非影像数据的多模态模型的一部分,用于评估CLD患者。
总之,肝脏和脾脏的体积分析为接受CT或MRI成像的CLD患者提供了重要信息。这些分析有可能对患者的肝纤维化分期和CLD严重程度进行分层,并提供预后信息,如未来失代偿风险、HCC发生和死亡率。全自动人工智能(AI)分割工具有潜力在无需显著额外处理时间的情况下提供准确、可重复的体积测量。需要将这些工具整合到临床实践中以实现大规模应用的解决方案。
补充信息
电子补充材料
引用
- Kutaiba N, Chung W, Goodwin M, et al. The impact of hepatic and splenic volumetric assessment in imaging for chronic liver disease: a narrative review. Insights Imaging. 2024. PMID: 38886297. doi:10.1186/s13244-024-01727-3
- 全文:PMC11183036(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11183036/
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。