使用人工智能工具在增强CT扫描上量化肝脂肪变
本研究利用全自动TotalSegmentator模型分割肝脏和脾脏,在1740例推导队列和1044例外部队列的多期CT上测量衰减值,验证了增强期肝脏衰减阈值(动脉55 HU、静脉85 HU、延迟60 HU)可识别中重度肝脂肪变,并建立了将增强期肝衰减校正为非增强等效值的方程以估算MR-PDFF,动脉、静脉、延迟期的AUROC分别为0.96、0.92、0.95(外部队列)。
要点
- 自动三维分割的肝脾平均衰减与手动ROI测量高度相关(r>0.96,p<.001),可替代手动ROI。
- 增强期单独肝衰减识别中重度肝脂肪变优于肝脾差值或比值,最佳阈值动脉55 HU、静脉85 HU、延迟60 HU。
- 校正方程可将增强期肝衰减转换为非增强等效值,用于估算MR-PDFF,延迟期性能最佳。
核心结论
- 自动体积平均肝脾衰减可替代手动ROI进行肝脏脂肪评估。
- 增强期单独肝衰减可用于评估中重度肝脂肪变的存在。
- 增强期肝衰减校正方程能合理量化肝脂肪变,为利用临床扫描进行SLD大规模筛查或研究提供潜在机会。
研究设计与样本
- 研究为推导队列(n=1740)加外部验证队列(n=1044)的影像分析,推导队列来自单中心两个亚组:成人肾供体候选者1555例和单次多期CT临床队列185例。
- 外部队列来自退伍军人事务(VA)患者队列,与推导队列为不同机构。
- 使用TotalSegmentator total模型2.4.0版自动三维分割肝脾,并与手动3 cm半径圆形ROI(肝8个、脾3个,n=527子集)比较。
- 参考标准为非增强CT肝衰减<40 HU定义中重度肝脂肪变,并以非增强CT估算的MR-PDFF>15%为参考评估校正后FF。
- 使用ResNet-50模型将扫描分类为非增强、动脉、静脉或延迟期;统计显著性α=0.01。
关键影像表现/征象
- 手动ROI与自动体积平均衰减高度相关(肝r=0.97,脾r=0.97,p<.001),仅含部分肝或脾体积时仍高(肝r=0.96,脾r=0.97,p<.001)。
- 推导队列平均肝衰减为非增强55.7 HU、动脉68.6 HU、门静脉90.7 HU、延迟69.6 HU。
- 中重度脂肪变患者各期肝衰减均显著低于轻度或无脂肪变者:非增强28.8 vs 57.9 HU(差值29.1 HU,95%CI 27.2–31.0),动脉40.9 vs 69.7 HU(差值28.8 HU,95%CI 25.2–32.5),静脉63.7 vs 107.3 HU(差值43.5 HU,95%CI 38.0–49.1),延迟44.4 vs 84.4 HU(差值40.0 HU,95%CI 35.7–44.2),均p<.001。
- 以非增强L<40 HU为参考,肝衰减分类中重度脂肪变的AUROC在静脉期L 0.959、L-S 0.737、L/S 0.854(L-S p<.001),延迟期L 0.996、L-S 0.929、L/S 0.923(p<.002),动脉期L 0.970、L-S 0.755、L/S 0.903,仅显著优于L-S。
诊断标准与关键数值
- 中重度肝脂肪变参考标准为非增强CT肝衰减<40 HU,对应MR-PDFF>15%。
- 肝衰减最佳阈值(敏感度/特异度):动脉55 HU(91.5%/95.3%),静脉85 HU(94.7%/89.3%),延迟60 HU(97.4%/96.2%)。
- 肝脾差值最佳阈值(敏感度/特异度):非增强5 HU(88.6%/92.5%),动脉−40 HU(74.6%/67.6%),静脉−15 HU(92%/50.8%),延迟0 HU(87.2%/86.5%)。
- 肝脾比值最佳阈值(敏感度/特异度):非增强<1.1(86.4%/93.2%),动脉<0.6(86.4%/78.6%),静脉<0.8(86.7%/68%),延迟<1.0(87.2%/86.5%)。
- 以非增强FF>15%为参考,校正后增强期FF分类中重度脂肪变的AUROC在推导队列动脉0.97、静脉0.959、延迟0.996,外部队列动脉0.96、静脉0.92、延迟0.95;>15%阈值对校正后静脉和延迟期最佳,>10%对动脉期最佳。
临床应用与阅片要点
- 自动分割的肝脾平均衰减与手动ROI高度相关,可在不牺牲准确性的情况下替代手动方法。
- 增强期测量肝衰减时,可单独使用肝衰减(而非肝脾差值或比值)评估中重度肝脂肪变,各期阈值不同。
- 校正方程可将增强期肝衰减转换为非增强等效值,进而用MR-PDFF方程估算脂肪分数:动脉校正L = −31.478 + 114.8×(1−e(−L×0.022)),静脉校正L = −33.488 + 109.094×(1−e(−L×0.015)),延迟校正L = −25.431 + 96.961×(1−e(−L×0.02))。
- 校正方程在推导集与外部队列的RMSE分别为动脉4.7 vs 6.9、静脉7.4 vs 8.0、延迟4.9 vs 6.4。
- 放射科报告肝脂肪变在高特异性下敏感度低,尤其对轻度脂肪变:以非增强估算MR-PDFF为参考,报告脂肪变的敏感度/特异度在FF>15%为70.2%/94.3%,FF>10%为42.3%/95.9%,FF>5%为20.5%/98.1%。
局限性
- 参考标准为非增强CT而非肝活检。
- 结果未在18岁以下人群中评估。
- 外部队列虽涵盖更广的CT协议,但参数高度集中(87%为120 kVp,92%为3 mm或5 mm层厚),需在非120 kVp等不常见参数的大数据集及不同扫描协议和队列中验证。
- 应使用配对数据集直接分析增强CT肝衰减与MRI PDFF以进行验证。
- 原文结论提及需进一步研究(Further)。
全文中译7 节 · 点击展开
引言
肝脂肪变性是脂肪性肝病(SLD)的标志,后者包括代谢功能障碍相关性和酒精相关性肝病,是全球最常见的肝病病因,也是终末期肝病的主要原因之一[1–3]。肝脂肪变性通常在疾病晚期发生肝功能失代偿时才出现症状,此时2年生存率不足50%[4];因此,迫切需要面向普通人群的简便筛查手段。传统评估方法肝活检是一种有创操作,伴有出血、疼痛和死亡等风险,且由于活检所取肝组织量少,易受采样误差影响[5]。
在临床实践中,脂肪变性通常通过医学影像的定性判读进行无创识别,包括超声、计算机断层扫描(CT)和磁共振成像(MRI)。磁共振成像衍生的质子密度脂肪分数(MR-PDFF)与活检证实的脂肪变性相比相关性高,能最准确地量化肝脏脂肪[6],但其价格昂贵且并非普遍可及[7]。MR-PDFF值可与传统活检定义相关联,即> 5%(轻度)和> 15%(中重度)[8]。另外,平扫CT上的肝脏衰减值无论是否经脾脏衰减值校正,均与活检脂肪变性程度相关性良好[9–14]。大多数研究使用手动放置的兴趣区(ROI)提取衰减值,并基于与肝活检的相关性来定义脂肪变性[15]。中重度脂肪变性(MR-PDFF > 15%)的常用阈值包括肝脏衰减< 40 HU或肝/脾比值< 1.1[13–16]。
除阈值外,已有研究利用MR-PDFF结合体模证实了脂肪变性百分比与平扫肝脏衰减值之间的线性关系,并开发了一个方程用于从平扫CT肝脏衰减值计算等效MR-PDFF[14]。据我们所知,尚无类似的方程适用于增强后肝脏衰减值。由于对比剂被机体代谢,动脉期、静脉期和延迟期会产生不同的肝脏和脾脏衰减值;因此,平扫方程用于增强后肝脏衰减值时不太可能产生准确的MR-PDFF估计值。事实上,近期提出的用于识别中重度肝脂肪变性患者的增强后平均肝脏衰减阈值(静脉期< 90 HU,延迟期< 60 HU)与平扫阈值(< 40 HU)差异极大[17]。这些增强后阈值尚未在外部数据集中得到验证。
尽管手动放置感兴趣区(ROI)已可用于量化肝脏脂肪,但该过程耗时且易出错。使用人工智能方法自动化提取肝脏脂肪可大幅提高测量的速度和可重复性。自动化所带来的速度和可重复性提升是迈向临床实施的第一步所必需的。然而,手动ROI肝脏衰减与自动化全肝衰减之间的等效性尚未确立。此外,尽管CT比MR更常进行,尤其是在大型学术中心之外,但相当数量的因临床指征而进行的CT使用了包含对比剂的方案。证明自动化流程在增强CT中量化肝脏脂肪的有效性将大大增加可用影像数据集的数量。
在本研究中,我们试图开发一种自动化工作流程,以便利用因其他临床指征而进行的增强CT扫描来机会性确定肝脂肪变性。我们的目标是(1)确定自动化工作流程能否准确测量肝脏衰减,(2)验证先前确定的增强研究中肝脏或肝脾衰减的最佳阈值,以及(3)开发一种在增强CT上估算MR-PDFF的方法。
方法
研究人群
推导队列由来自单一机构两个不同亚队列的1740名受试者组成:(1)先前已研究过的成人肾供体候选者健康参考人群(n = 1555)[18],以及(2)在单次检查中进行多期CT采集的机会性临床队列(n = 185)。后一队列的CT扫描因血尿(n = 114)以及肾上腺疾病(n = 18)、肝脏疾病(n = 13)、肾脏疾病(n = 13)、胰腺疾病(n = 2)和其他原因(n = 25)而进行。纳入标准为:年龄超过18岁;使用GE Discovery或Lightspeed扫描仪进行CT扫描,采用GE标准卷积核,管电压120 kVp,层厚为0.625(12.9%)、1.25(8.6%)、2.5(29.6%)或5 mm(48.8%),同一检查中包括平扫序列以及至少一个增强期相(动脉期、静脉期、延迟期)成像序列,轴位视野可见完整躯干。外部验证队列(n = 1044名受试者)用于评估校正方程的性能。该队列具有相同的纳入标准,即在单次检查中进行多期CT采集,且取自先前详细描述的退伍军人事务部(VA)患者队列,该机构与推导队列不同[19]。0.4%的CT使用GE(Discovery)扫描仪,63.8%使用Philips(Brilliance、iCT、Ingenuity、Precedence),11.2%使用Siemens(Emotion、Sensation、Somatom Definition AS),24.6%使用Toshiba(Acquilon),0.1%使用Picker扫描仪,采用软组织卷积核,管电压为80(0.1%)、100(5.7%)、120(89.8%)、130(3.0%)、135(0.1%)或140(1.3%)kVp,层厚为2(1.7%)、3(52.8%)、3.2(2.1%)、5(42.5%)mm或1至8 mm之间的其他值(0.9%)。
图像处理
使用ResNet-50机器学习分类模型将扫描期相识别为四个类别之一(平扫、动脉期、静脉期或延迟期)。该模型在来自1700次胸部和腹部扫描的17000个单层切片上训练,这些扫描具有已知的期相指定,扫描计数在性别之间以及0–8岁、9–16岁、17–25岁、之后以20年为增量至95岁的年龄类别之间均衡。训练切片被选择为在L5至T1椎体水平之间等间距分布,大约每个可见椎体1层切片。本研究中每次扫描的期相标签通过将该模型应用于每次扫描中每个椎体下缘层面的切片,然后从这组单层切片分类预测中选择置信度加权多数标签来确定。该模型的更详细描述可见于补充材料。
在所有衍生队列受试者的随机选择子集(n = 527)的所有CT扫描期相中,于肝脏和脾脏放置手动3 cm半径圆形感兴趣区(ROI)。按照既往指南,在肝脏放置八个ROI(肝V、VI、VII和VIII段各两个ROI),在脾脏放置三个ROI(下三分之一、中三分之一和上三分之一各一个ROI),如图1所示[12]。平均衰减值由肝脏(Lroi)和脾脏(Sroi)内所有ROI的所有像素计算得出。
使用TotalSegmentator“total”模型2.4.0版[20]对肝脏和脾脏进行自动3D容积分割。TotalSegmentator是一个公开可用的卷积神经网络模型,可对CT扫描上的多个结构进行稳健分割,包括肝脏和脾脏,如图2所示。自动肝脏(Lvol)和脾脏(Svol)容积的平均衰减值由所有被分类为“肝脏”和“脾脏”的3D体素计算得出。肝脾差值(L-S)计算为L-S =(Lvol − Svol),肝脾比值(L/S)计算为L/S =(Lvol/Svol)。
统计学方法
使用Shapiro-Wilk检验检验变量分布的正态性,并使用Spearman相关和散点图评估手动测量与自动测量之间的线性关系,以及将自动测量与年龄、身高、体重和BMI进行比较。
根据平扫肝脏衰减阈值< 40 HU这一参考标准[14],对每个个体定义中重度肝脂肪变性。分别对每个扫描期相计算L、L-S和L/S的受试者工作特征(ROC)曲线,以确定其分类中重度肝脂肪变性的能力。在每个期相内,使用DeLong方法比较ROC曲线。ROC曲线下面积(AUROC)使用梯形法则计算。
我们使用配对平扫与增强扫描数据,对数据拟合了线性、对数、指数衰减、平滑样条以及二阶和三阶多项式回归模型。选择指数衰减形式是因为它(a)比线性形式拟合数据更好(均方根误差更低、残差同方差),(b)非递减(而对数、多项式和样条模型过拟合且在高值时下降),并且(c)具有参数模型形式(不同于非参数样条),使方程易于描述和共享。
我们使用R中的‘nls’函数确定三个未知系数的非线性最小二乘估计值,用于三个相位特异性(动脉期、静脉期、延迟期)的递增指数衰减方程,将增强后肝脏平均衰减()与平扫L相关联:等效MR-PDFF脂肪分数(FF)使用以下方程计算:[14]使用平扫L和校正后的增强后L值。在推导队列和验证队列中,使用ROC曲线评估平扫FF > 15%与校正后增强后FF之间的一致性。分析已建立的增强后L、L-S和L/S相关阈值与中度肝脂肪变性的关联,并分析校正后FF阈值与FF > 15%的关联。计算每个阈值的灵敏度、特异度、平衡准确率(灵敏度和特异度的均值)、阳性预测值(PPV)和阴性预测值(NPV)。使用平衡准确率确定最佳阈值。
使用0.01的α水平确定统计学显著性。所有统计检验均在R 4.3.2版本[21]中执行,使用‘ggplot2’包[22]进行数据可视化,使用‘pROC’包进行ROC分析[23]。
结果
推导队列由61%的女性组成,平均(SD)年龄为43.1(12.8)岁,体重为80.4(18.1)kg,身高为1.69(0.09)m,BMI为27.8(5.21)kg/m2。根据平扫参考标准(Lvol < 40 HU),7.6%患有中度至重度脂肪变性。
手动放置ROI的平均衰减值与自动体积平均衰减值显著相关(r:0.97(肝脏)、0.97(脾脏),p < .001),与扫描相位无关(表1和图S1)。对于仅包含部分肝脏或脾脏体积的CT扫描(CT扫描上顶部和/或底部不可见),相关性仍然很高(r:0.96(肝脏)、0.97(脾脏),p < .001)。正如预期,肝脏和脾脏体积平均衰减值与年龄(r:−0.313至−0.006)和身高(r:−0.384至−0.101)呈低至中度负相关,但在所有扫描相位中与体重(r:−0.73至−0.454,p < .001)和BMI(r:−0.693至−0.375,p < .001)呈中度强负相关(表S1和图S2)。
推导队列的平均体积肝脏强化(L)为55.7 HU(平扫)、68.6 HU(动脉期)、90.7 HU(门静脉期)和69.6 HU(延迟期)。中度至重度脂肪变性患者在所有相位中显示L显著低于轻度或无脂肪变性患者:
平扫:28.8(中度至重度)vs. 57.9(轻度或无)HU(p < .001),平均差异29.1 HU [95% CI:27.2–31.0]。
动脉期:40.9 vs. 69.7 HU(p < .001),平均差异28.8 HU [95% CI:25.2–32.5]。
静脉期:63.7 vs. 107.3 HU(p < .001),平均差异43.5 HU [95% CI:38.0–49.1]。
延迟期:44.4 对 84.4 HU(p < .001),平均差 40.0 HU [95% CI:35.7–44.2]。
以平扫 L < 40 HU 为参考,L 在静脉期(L:0.959,L–S:0.737,L/S:0.854,L–S p < .001)和延迟期(L:0.996,L-S:0.929,L/S:0.923,p < .002)分类中度脂肪变的 AUROC 显著高于 L–S 和 L/S,但在动脉期(L:0.970,L–S:0.755,L/S:0.903)仅显著优于 L–S(图 3)。L 的最佳阈值(敏感度/特异度)为动脉期 55 HU(91.5%/95.3%)、静脉期 85 HU(94.7%/89.3%)、延迟期 60 HU(97.4%/96.2%)(表 2)。L-S 的最佳阈值(敏感度/特异度)为平扫期 5 HU(88.6%/92.5%)、动脉期 −40 HU(74.6%/67.6%)、静脉期 −15 HU(92%/50.8%)、延迟期 0 HU(87.2%/86.5%)(表 3)。L/S 的最佳阈值(敏感度/特异度)为平扫期 < 1.1(86.4%/93.2%)、动脉期 < 0.6(86.4%/78.6%)、静脉期 < 0.8(86.7%/68%)、延迟期 < 1.0(87.2%/86.5%)(表 4)。总体而言,L 阈值对中度至重度肝脂肪变的分类比 L-S 或 L/S 阈值更准确。
将各增强期相的 L 转换为平扫等效值的校正方程如下(图 4A):
动脉期:校正 L = −31.478 + 114.8 × (1−e(−L × 0.022))
静脉期:校正 L = −33.488 + 109.094 × (1−e(−L × 0.015))
延迟期:校正 L = −25.431 + 96.961 × (1−e(−L × 0.02))
这些方程的均方根误差(RMSE)在推导集与外部验证集之间相当(动脉期:4.7 对 6.9,静脉期:7.4 对 8.0,延迟期:4.9 对 6.4),且回归方程预测叠加于外部验证集上显示,总体上推导集与验证集之间视觉一致性良好(图 4),按制造商分层时亦如此(图 S3)。
以平扫 CT 上 FF > 15% 为参考,使用校正后增强期肝脏衰减所得 FF 分类中度脂肪变的 AUROC 在推导队列中分别为 0.97、0.959 和 0.996(图 5A),在外部验证队列中动脉期、静脉期和延迟期扫描分别为 0.96、0.92、0.95(图 5B)。> 15% 阈值对校正后静脉期和延迟期扫描为最佳,而 > 10% 对动脉期扫描为最佳(表 5)。
为评估使用 FF 的潜在影响,我们审查了推导队列中 1715 例有报告可供复核的平扫 CT 扫描的放射科报告。其中,10.6% 的报告基于先前验证的自然语言处理算法 [24] 报告了肝脂肪变,而根据平扫 CT 估算的 MR-PDFF,分别有 7.6%、17.1%、46.1% 的患者 FF > 15%、10% 和 5%。以平扫 CT 估算的 MR-PDFF 为参考,放射科医生报告脂肪变的敏感度/特异度在 FF > 15%、>10% 和 > 5% 时分别为 70.2%/94.3%、42.3%/95.9% 和 20.5%/98.1%,显示出高特异度但低敏感度,尤其是对轻度脂肪变。在该队列中,FF > 15%、>10% 和 > 5% 的患者分别有 29.8%、57.8% 和 79.4% 未在放射科报告中报告脂肪变,提示放射科对肝脂肪变的报告可能主要在有中度至重度脂肪变证据(> 15% FF)时最为突出。
讨论
我们发现,通过人工智能衍生的全器官自动分割与手动选择的ROI测量的肝脏和脾脏平均衰减值之间几乎完全相关,提示快速自动分割可以在不牺牲准确性的情况下取代手动方法。增强CT检测中重度肝脂肪变性的最佳阈值在动脉期、静脉期和延迟期分别为55、85和60 HU,与Pickhardt等人[17, 25]先前发表的静脉期(90 HU)和延迟期(60 HU)阈值相当。动脉期尚无已发表的阈值可供比较。我们开发了新方程,将增强后肝脏衰减值“转换”为平扫等效值。鉴于手动和自动评估衰减方法之间的密切相关性,这些方程可用于任一技术,因此对于没有自动化方法的临床使用者具有实用价值。
我们发现,仅增强后肝脏衰减值对中重度脂肪变性的预测能力优于肝脾衰减值差异或肝/脾衰减值比值,这与既往报道一致[25]。这表明,单独测量肝脏衰减值可能足以用于肝脂肪变性评估。在本研究中,我们开发并使用了一种机器学习算法,将CT分为平扫、动脉期、静脉期和延迟期,类似于其他地方所进行的工作[26, 27],这在使用大样本队列的自动化方法时尤为重要。另外,在临床实践中,扫描期相可以很容易地通过人工识别。
除了提供不同增强后时相的阈值外,我们还提供了增强后CT肝脏衰减值的转换方程,使得能够使用先前报道的、针对平扫CT肝脏衰减值开发的MR-PDFF方程来估计肝脏脂肪分数[14]。预测中重度肝脂肪变性的AUROC为0.996,延迟期的表现最佳,这可能是由于在延迟期图像中,身体有最多时间代谢注射的对比剂,肝脏衰减值回归至其平扫基线水平。动脉期(AUROC 0.970)和静脉期(AUROC 0.959)的表现也较为合理,表明在为临床指征进行的序贯扫描中,有可能利用增强后时相CT扫描进行机会性肝脏脂肪估计。这种方法可能为MR-PDFF提供一种潜在的替代方案,用于评估新兴疗法(如resmetirom治疗代谢功能障碍相关脂肪性肝病)的反应持久性[28]。针对癌症指征的序贯和重复CT扫描很常见,并且通常包括对比剂给药。使用我们新型的肝脏衰减校正方程,能够在这些增强后时相CT上估计MR-PDFF,并且在临床诊疗中,当替代方案仅仅是使用肝脏衰减阈值对中重度脂肪变性进行简单的二分类时,这为脂肪变性检测增加了增量价值。从流行病学角度来看,鉴于医院放射学影像数据库中存储的大多数CT扫描都含有对比剂,使用该方法在大型人群中评估肝脏脂肪分数具有显著潜力。此外,我们使用公开可用的机器学习模型进行图像分割(TotalSegmentator),展示了广泛获取肝脂肪变性自动定量分析的潜力。随着脂肪性肝病(包括酒精性和代谢功能障碍相关)患病率的不断上升,对于因其他指征接受CT扫描的患者,这可能代表着向更广泛筛查脂肪性肝病(SLD)迈出的合理的第一步[29]。
我们的研究有一些重要的局限性。首先,参考标准是非增强CT而非肝活检。然而,在这个无创方法学的时代,使用回顾性配对的肝活检与CT可能会存在潜在偏倚,且活检的风险会妨碍任何前瞻性研究[30]。这些结果未在18岁以下个体中评估。此处开发的校正方程在我们自己的外部验证队列中表现极好,该队列由更广泛的CT协议(机器、卷积核、kVp、层厚等)和与推导队列不同的患者队列组成。然而,验证集在某些参数上表现出高度集中(87%为120 kVp,92%为3 mm或5 mm层厚)。这些方程应在使用较少见参数(如非120 kVp)的大型数据集以及不同扫描协议和队列中验证,以确认更广泛的适用性。此外,应使用配对数据集对增强后CT肝脏衰减和MRI PDFF进行直接分析以用于验证目的。此外,此处使用的TotalSegmentator模型的可靠性应进一步研究。与人工分割不同,我们使用的TotalSegmentator肝脏和脾脏分割具有高度可重复性;给定相同的输入图像,该模型能非常快速地输出完全相同的3D分割。然而,该模型的肝脏和脾脏分割并不能保证在所有患者的所有CT图像上都准确。为更好地了解其可靠性,应在不同疾病过程和不同CT扫描仪设置的患者广泛图像中评估该模型的肝脏和脾脏分割准确性。最后,肝脏中的脂肪分布可能高度不均匀,且按定义,使用平均像素密度进行肝脏脂肪的体积测量将产生全肝脂肪的平均估计值。肝脏脂肪异质性在临床上是否重要以及如何重要尚不清楚,这一问题值得未来研究。
在提供一种用于估计增强后和非增强CT扫描中脂肪分数的自动化方法学方面,我们提出了一种为因其他指征而进行的扫描增加增量临床价值的方法。我们的方法学提供了一种客观的定量评估,能够一致地检测SLD,并可能使那些已经接受过CT扫描的人能够更早地发现疾病。
电子补充材料
以下是电子补充材料的链接。
补充材料1
引用
- Derstine BA, Holcombe SA, Chen VL, et al. Quantification of hepatic steatosis on post-contrast computed tomography scans using artificial intelligence tools. Abdom Radiol (NY). 2025. PMID: 40715517. doi:10.1007/s00261-025-05137-x
- 全文:PMC12929335(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12929335/
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。