文献速递腹部MRUS

基于MRI质子密度脂肪分数联合脂肪组织识别代谢功能障碍相关脂肪性肝炎

MRI-based proton density fat fraction combined with adipose tissue for identifying metabolic dysfunction-associated steatohepatitis.
PubMed 文献 · Insights Imaging · 2026-10-29

回顾性纳入197例经肝活检的MASLD患者,构建结合MRI-PDFF与总脂肪组织指数(TATI)的MR-PAT模型识别MASH,AUC达0.866,内部验证AUC 0.870,显著优于FAST、acNASH、HSI、FNI和APRI等现有无创检测。

要点

  • MR-PAT模型仅需常规MRI序列即可测量PDFF和L3层面脂肪组织,无需额外序列。
  • MR-PAT对MASH的AUC为0.866,优于FAST、acNASH、HSI、FNI和APRI。
  • 双截断策略下MR-PAT灰区更窄,排除截断点NPV更高,纳入截断点PPV更高。

关键影像表现/征象

  • PDFF和TATI是MASH的独立危险因素(PDFF OR 1.191,p<0.001;TATI OR 1.026,p=0.001)。
  • MR-PAT模型公式为Logit(P) = −3.917 + PDFF×0.175 + TATI×0.026。
  • MR-PAT模型、PDFF和TATI识别MASH的AUC分别为0.866、0.836和0.746(均p<0.001)。
  • 内部Bootstrap验证MR-PAT模型AUC为0.870(95%CI 0.805–0.923,p<0.001),校准曲线Hosmer-Lemeshow检验p=0.672。
  • 亚组分析显示MR-PAT模型在不同性别、年龄、BMI、血脂异常、糖耐量异常、高血压、ALT、AST、LSM和MRI扫描仪亚组间AUC无显著差异。

诊断标准与关键数值

  • MASH定义为NAS总分≥4分,且脂肪变、气球样变和小叶内炎症各≥1分,伴或不伴纤维化。
  • MR-PAT模型识别MASH的AUC为0.866,内部验证AUC为0.870(95%CI 0.805–0.923)。
  • MR-PAT模型AUC显著高于FAST(p=0.002)、acNASH(p=0.005)、HSI(p<0.001)、FNI(p<0.001)和APRI(p<0.001)。
  • MR-PAT与PDFF单独比较AUC差异无统计学意义(p=0.096)。
  • 双截断策略下MR-PAT灰区较现有NITs更窄,排除截断点NPV更高,纳入截断点PPV更高。

临床应用与阅片要点

  • 日常阅片时可利用常规MRI序列测量PDFF并在L3层面半自动分割内脏和皮下脂肪组织,计算TATI。
  • MR-PAT模型可独立于肝纤维化分期识别MASH,有助于减少无显著纤维化早期MASH的误分类。
  • 在PDFF不可行时,可考虑CAAT模型(CAP、AST、TATI联合)作为资源有限条件下的替代方案。

局限性

  • 单中心回顾性研究,MASL患病率低(20.3%),可能存在选择偏倚。
  • 样本量相对较小,需大规模多中心外部验证确认泛化性。
  • 仅纳入3.0T平台,未验证1.5T及其他厂商设备。
  • 横断面设计,纵向预测组织学终点的性能有待验证。
  • 未计算MR-MASH评分,因回顾性设计无法在同一层面测量腰围。
全文中译15 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2026 Oct 29;17:268. doi: 10.1186/s13244-026-02444-9

引言

代谢功能障碍相关脂肪性肝病(MASLD)是全球慢性肝病的首要病因,近期研究提示其可能影响全球超过38%的成人和7%–14%的儿童[1]。MASLD涵盖一个连续疾病谱,从代谢功能障碍相关脂肪性肝(MASL)到代谢功能障碍相关脂肪性肝炎(MASH),以及更晚期的高风险MASH(F ≥ 2)[2, 3]。表现为MASH、尤其是高风险MASH的个体,其不良结局风险显著增加,如肝细胞癌(HCC)、肝功能失代偿和肝病相关死亡[4, 5]。

肝活检仍是MASLD风险分层的参考标准。然而,作为一种有创方法,肝活检具有固有并发症,并受操作相关风险和采样偏倚的限制[6]。近年来,基于瞬时弹性成像(TE)技术开发的影像学生物标志物,以FibroScan-AST(FAST)评分为代表,已被用于识别高风险MASH患者并筛选药物治疗候选者[7]。然而,来自临床试验的新证据表明,个体化治疗策略对关键组织学终点(包括MASH缓解和纤维化逆转)产生异质性且往往不一致的效果[8–10]。这些发现凸显了临床实践中对精细化风险分层和定制化治疗方法的需求,从而避免对不同组织学终点和疾病过程的混淆。

基于磁共振成像(MRI)的质子密度脂肪分数(PDFF)被广泛认为是一种高度精确的无创方法,用于评估肝脂肪变性的全谱[11]。新兴研究提示MRI-PDFF在识别脂肪性肝炎方面具有重要价值[12, 13]。然而,与单纯脂肪变性相比,MASH涵盖更为复杂的病理实体。脂肪组织是主要的脂质储存库,并作为最大的内分泌器官分泌脂肪因子,后者调节肝脏代谢并作为MASLD发展的关键驱动因素[14, 15]。虽然既往研究已将腰围与MASH的存在相关联,但脂肪相关身体成分与MASH之间的关联尚未完全阐明[16]。

本研究旨在评估基于MRI的脂肪组织的价值,并将其与PDFF联合用于识别MASH患者,从而促进MASLD更精确的风险分层。

材料与方法

研究对象

本回顾性研究获广州中医药大学第二附属医院伦理委员会批准(BE2023-204-01),并豁免书面知情同意要求。回顾性审查了2017年10月10日至2024年10月21日期间在本机构接受MRI-PDFF、TE和肝活检的患者数据。所有TE、MRI检查和肝活检(包括用于评估肝脂肪变、小叶炎症、肝细胞气球样变和纤维化的组织学检查)均出于与本研究的临床目的而进行。纳入标准如下:①年龄 > 18岁;②肝活检前一个月内完成MRI‑PDFF和TE检查;③存在以下心血管代谢危险因素中至少一项:(I)体重指数(BMI)≥ 23 kg/m²;(II)空腹血糖(Glu)≥ 5.6 mmol/L或糖化血红蛋白(HbA1c)≥ 5.7%或接受2型糖尿病治疗;(III)血压≥ 130/85 mmHg或正在服用降压药物;(IV)甘油三酯(TG)≥ 150 mg/dL或高密度脂蛋白(HDL)< 1.0/1.3 mg/dL或接受降脂治疗。排除标准如下:①合并除MASLD以外的其他肝脏疾病(n = 14);②招募前1年内过量饮酒(男性 > 20 g/天或女性 > 10 g/天)(n = 8);③使用任何具有潜在肝毒性的药物(n = 3);④既往或现存恶性肿瘤(n = 3)。

MRI检查

所有参与者均使用两台3.0-T MRI系统进行化学位移编码MRI(CSE-MRI)检查,分别配备18通道相控阵线圈(Prisma;Siemens Healthineers,德国)或8通道Atlas SPEEDER相控阵线圈(Titan;Canon Medical Systems,日本)。所有受试者在MRI扫描前至少禁食8小时。详细采集参数见补充方法S1。

肝脂肪分数测量

图像采集后,依次重建同相位、反相位、纯脂肪和纯水图像,并自动生成脂肪分数图。MRI-PDFF值由两名经验丰富的放射科医师测量,他们在脂肪分数图上放置感兴趣区(ROI),且对所有临床和组织病理学数据设盲。以门静脉右支为中心的三层连续5 mm厚层面上放置两个1.5–2.0 cm²的圆形ROI,共获得六个ROI。为与肝活检位置匹配,ROI置于距肝边缘约2 cm的肝实质处,避开胆管、大血管、局灶性病变和伪影(图1a)。取六个ROI衍生的MRI-PDFF测量值的平均值作为患者的肝脂肪分数。

图1 一名56岁男性MASLD患者。a PDFF的ROI勾画示例;b 内脏脂肪组织面积、皮下脂肪组织和腰围的测量示意图 查看原图 ↗

MRI身体评估

由一名具有11年经验的放射科医师使用SliceOmatic软件在第三腰椎(L3)水平的脂肪-only图像上进行MRI身体评估(图1b)。内脏脂肪组织(VAT)指腹腔内的腹内脂肪,而皮下脂肪组织(SAT)代表腹肌外的皮下脂肪。通过区域生长模式对脂肪组织面积进行半自动分割。总脂肪组织(TAT)面积计算为VAT面积与SAT面积之和。经身高平方归一化后,这些脂肪组织面积分别表示为皮下脂肪组织指数(SATI)、内脏脂肪组织指数(VATI)和总脂肪组织指数(TATI)。腰围测量也使用蛇形模式获得。

TE测量

TE由一名对临床和影像数据不知情的受过培训的肝病科医师使用FibroScan(M探头;Echosens,法国)进行。要求患者在检查前禁食≥3小时。如果成功测量次数<10次、成功率<60%,或四分位距/中位数≥30%,则肝脏硬度测量(LSM)和受控衰减参数(CAP)结果被视为不可靠。在连续十次成功测量后,取有效值的中位数作为肝脏LSM值和CAP值。

实验室指标

临床数据(年龄、性别、BMI、血压)和实验室数据(TG、总胆固醇(TC)、HDL、低密度脂蛋白(LDL)、Glu、HbA1c、肌酐(Cr)、估算肾小球滤过率(eGFR)、天冬氨酸氨基转移酶(AST)、丙氨酸氨基转移酶(ALT)、总胆红素(TBIL)、白蛋白(Alb)、碱性磷酸酶(ALP)和γ-谷氨酰转移酶(GGT))从电子病历中获得。

既有的无创检测(NITs),包括FAST评分、AST与肌酐比值指数(acNASH)、肝脏脂肪变性指数(HSI)、纤维化NASH指数(FNI)和AST与血小板比值指数(APRI),根据先前发表的公式计算[7, 17–19]。

组织学评估

肝活检由一名具有15年工作经验的肝病科医师在超声引导下使用16号针进行。穿刺部位为肝脏裸区,距肝缘约2 cm、位于右门静脉主干水平,穿刺样本长度至少1.5 cm。样本由一名具有10年工作经验的病理学家根据非酒精性脂肪性肝病活动度评分(NAS)系统进行评估。MASH定义为总NAS≥4分,其中脂肪变性、气球样变和小叶炎症各评分≥1分,伴或不伴纤维化[20]。不符合MASH标准的MASLD定义为代谢功能障碍相关脂肪性肝(MASL)[21]。

统计分析

连续变量若为正态分布数据,以均值±标准差表示;若为非正态分布数据,以中位数及四分位距表示。MASH组与MASL组之间正态分布连续变量的比较采用独立样本t检验,非正态分布变量采用Mann–Whitney U检验。分类变量以频数(百分比)表示,并采用卡方检验进行比较。采用单因素和多因素logistic回归分析构建MASH诊断模型。该模型采用1000次bootstrap样本进行内部验证。采用受试者工作特征曲线下面积(AUROC)评估联合模型识别MASH的判别性能。采用校准曲线评估模型校准度,并应用决策曲线分析(DCA)评估模型的临床实用性。按性别、年龄、BMI、致动脉粥样硬化性血脂异常、糖耐量受损(IGT)、ALT、AST、LSM和扫描仪进行分层敏感性分析。采用DeLong检验比较所提出模型、PDFF与NITs之间的AUC。所有统计分析均使用SPSS 20.0.0版或R 4.0.5版进行。p < 0.05被认为表示具有统计学显著性。

结果

患者特征

本研究共纳入197例患者,流程图见图2。根据组织学评估结果,157例患者纳入MASH组,40例患者纳入MASL组。

MASH组与MASL组的临床、血清学、TE和MRI数据见表1。多个参数存在显著的组间差异,包括性别、BMI、TG水平、TC水平、Cr水平、eGFR、AST水平、ALT水平、GGT水平、SATI、VATI、TATI、PDFF、LSM和CAP(均p < 0.05)。

图2 患者流程图 查看原图 ↗
表1 MASH组与MASL组临床、血清学、TE和MRI参数的比较 查看原表 ↗

用于识别MASH的模型构建与稳健性评估

单因素和多因素logistic回归分析显示,PDFF(OR:1.191,p < 0.001)和TATI(OR:1.026,p = 0.001)是MASH的独立危险因素(表2)。基于上述logistic回归结果,构建了基于MRI的PDFF-脂肪组织(MR-PAT)联合模型。方程如下:Logit(P) = −3.917 + PDFF × 0.175 + TATI × 0.026。

MR-PAT模型、PDFF和TATI识别MASH的AUC分别为0.866、0.836和0.746(均p < 0.001)(图3a)。采用bootstrap重抽样对MR-PAT模型进行内部验证,得到的AUC为0.870(95% CI:0.805–0.923,p < 0.001)(图3b)。校准曲线(图3c)显示预测概率与观察概率之间具有良好一致性,Hosmer-Lemeshow检验结果不显著(p = 0.672)支持这一结论。DCA曲线突出显示了联合模型在一定阈值概率范围内具有显著的净临床获益(图3d)。

我们还建立了一个不含PDFF的附加模型。将PDFF从候选变量中排除后,CAP(OR:1.007,p = 0.054)、AST(OR:1.057,p = 0.003)和TATI(OR:1.024,p = 0.004)被选中(补充表S1)。构建了CAP-AST-脂肪组织(CAAT)联合模型。CAAT模型、CAP和AST识别MASH的AUC分别为0.816、0.747和0.726(均p < 0.001)。Bootstrap重采样得到的AUC为0.828(95% CI:0.757–0.891,p < 0.001),校准曲线和DCA曲线见补充图S1。

表2 MASH的单因素和多因素logistic回归分析 查看原表 ↗
图3 a MRI-PAT模型及其组成变量的ROC曲线。b 通过Bootstrap重采样进行内部验证;c、d 模型的校准曲线和DCA曲线。PDFF,质子密度脂肪分数;TATI,总脂肪组织指数 查看原图 ↗

敏感性分析

进行敏感性分析以评估MR-PAT模型在临床相关人群中的诊断性能(图4)。结果显示,基于性别(男性 vs. 女性)、年龄(< 50 vs. ≥ 50岁)、BMI(< 23 vs. ≥ 23 kg/m²)、致动脉粥样硬化性血脂异常(有 vs. 无)、IGT(有 vs. 无)、高血压(有 vs. 无)、ALT(< ULN vs. ≥ ULN)、AST(< ULN vs. ≥ ULN)、LSM(< 8 kPa vs. ≥ 8 kPa)或MRI扫描仪(Titan vs. Prisma)分组的各亚组之间,模型AUC差异无统计学意义。

图4 不同亚组中识别MASH的AUC敏感性分析 查看原图 ↗

MR-PAT模型、PDFF与NITs的比较

MR-PAT模型、PDFF和NITs识别MASH的ROC曲线总结于表3。根据DeLong检验,MR-PAT的AUC显著大于FAST(p = 0.002)、acNASH(p = 0.005)、HSI(p < 0.001)、FNI(p < 0.001)和APRI(p < 0.001)。MR-PAT的AUC大于PDFF,但差异无统计学意义(p = 0.096)。

在双截断值策略方面,与现有NITs相比,MR-PAT的灰色区域更窄,在排除截断值处具有更高的NPV,在纳入截断值处具有更高的PPV。与单独使用PDFF相比,MR-PAT也显示出更窄的灰色区域和在纳入截断值处更高的PPV。

表3 MR-PAT、MRI-PDFF和NITs识别MASH的ROC曲线 查看原表 ↗

讨论

在本研究中,我们开发了一种结合基于MRI的PDFF和TATI的非侵入性MR-PAT模型用于识别MASH。我们的结果表明,MR-PAT模型表现出优异的诊断性能,AUC为0.866,并显著优于现有NITs,包括FAST、acNASH、HSI、FNI和APRI。

肝脂肪变不仅是MASLD的基本诊断标准,而且是脂肪性肝炎中肝细胞损伤的病理生理基础[3]。肝内脂质过度蓄积诱导脂毒性,触发线粒体和内质网应激,并促进活性氧(ROS)过度产生和脂质过氧化[22, 23]。这种脂毒性应激直接损害肝细胞膜和细胞器,驱动肝细胞气球样变和小叶内炎症[24]。这一机制框架解释了为何PDFF测得的肝脏脂肪含量可作为MASH的独立预测因子(AUC = 0.836)。除此之外,我们进一步纳入基于MRI的脂肪组织以建立用于识别MASH的联合模型。尽管DeLong检验显示,与单独使用PDFF相比,MR-PAT模型在AUC上未产生显著差异(p = 0.096),但该模型在确诊界值处产生了更窄的灰区和更高的PPV。双界值策略的实施通过建立明确的排除和确诊界值减少了诊断不确定性,从而有助于识别适合治疗干预或临床试验入组的潜在候选患者。此外,脂肪组织定量可从标准MRI采集获得而无需额外序列,为PDFF在识别MASH方面增加了诊断价值。

多参数MRI生物标志物在识别MASH方面已显示出良好的诊断性能。例如,据报道,PDFF与校正T1(cT1)的组合可实现0.82–0.88的AUC范围[25–27],这与我们的MR-PAT模型相当。然而,cT1测量依赖于额外序列和专有算法,这可能阻碍其更广泛的适用性。Marti-Aguado等[16]近期开发了一种简单的MR-MASH评分,将PDFF与腰围相结合用于无创识别MASH患者,其利用肥胖相关参数的原理与我们的研究相似。然而,我们未计算MR-MASH评分,因为回顾性研究性质妨碍了在同一层面测量腰围。相反,我们在更常用的L3层面获取了肥胖相关参数,但腰围在MASL组和MASH组之间无显著差异。两个队列之间腰围与MASH关系差异的原因仍有待研究。然而,腰围是一种简单的人体测量指标,仅间接反映肥胖程度[28]。相比之下,TATI被定义为归一化内脏和皮下脂肪组织面积的总和,直接反映脂肪负荷。

过量的脂肪组织会导致脂肪细胞功能障碍、促炎细胞因子(如TNF-α和IL-6)释放增加,以及抗炎脂肪因子(如脂联素)分泌减少[29–31]。这些改变促进肝脏胰岛素抵抗,招募炎症细胞至肝脏,并加剧肝细胞损伤[32, 33]。有趣的是,尽管VATI和SATI均为MASH的显著单因素预测指标,但TATI在最终模型中成为独立因素。这些发现表明,与内脏和皮下间室的分布相比,整体脂肪组织的累积负担可能是脂肪性肝炎更为关键的驱动因素。由于使用MRI进行身体成分分析能够直接评估脂肪组织的数量和分布[34],该指标有助于更精细地研究肥胖对MASLD的影响。

通过排除PDFF,我们还构建了一个由TE衍生CAP、AST和TATI组成的CAAT模型。在该模型中,CAP在多变量分析中仅显示边缘性关联(p = 0.054),而未达到常规统计学显著性。鉴于CAP与肝脂肪变性的关系及其临床相关性,这一发现并不必然否定其纳入的合理性。值得注意的是,两个模型具有相似的结构参数,这进一步强化了在MASH筛查中同时纳入肝脂肪变性和脂肪组织的价值。因此,模型间诊断性能的差异可能归因于PDFF在量化肝脂肪变性方面公认优于CAP[35]。据此,当PDFF可行时,推荐将MR-PAT模型作为首选的非侵入性策略,而在资源受限条件下,CAAT模型可作为实用的替代方案。

我们将所构建模型的诊断性能与现有NITs识别MASH的性能进行了比较,其中MR-PAT模型的AUC显著更高。在这些NITs中,FAST尤其值得关注,因为它将AST与TE衍生LSM和CAP相结合——这些参数广泛用于MASLD风险分层[7, 36, 37]。然而,该综合评分在我们的队列中仅表现出中等性能。一个可能的解释在于FAST最初设计用于识别高危MASH,其算法除MASH外还锚定于显著肝纤维化。组织学终点的这种异质性可能限制其独立捕捉MASH组织学特征的能力。我们的发现表明,可根据所关注的组织学终点采用个体化筛查策略。在专注于MASH识别的临床环境或试验设计中,MR-PAT模型可能具有独立于肝纤维化分期评估MASH的优势,从而可能减少无显著纤维化的早期MASH患者的误分类。

本研究具有若干显著优势。第一,据我们所知,这是首个利用MRI证明肝脂肪变性与脂肪组织协同驱动从单纯性脂肪变性向脂肪性肝炎进展的研究。第二,MR-PAT模型在不同亚组中表现出稳定的诊断性能,包括在不同MRI扫描仪上检查的患者,支持其泛化性及整合入临床工作流程的潜力。第三,额外推导的CAAT模型作为PDFF不可用时的替代方案,进一步增强了脂肪组织定量方法的临床实用性。

本研究存在若干局限性。第一,本回顾性研究纳入了来自三级医疗中心的队列,可能引入选择偏倚,导致本队列中MASL患者患病率较低(20.3%)。我们的发现对基层医疗筛查人群的泛化性有待进一步研究。然而,鉴于疑似MASL患者很少接受肝活检,本研究中MASH与MASL组间的不平衡可能反映真实世界的临床工作流程。第二,尽管bootstrap内部验证和多种综合评估支持我们模型的稳健性,外部验证对于确认其在临床实践中的泛化性至关重要。鉴于我们队列样本量相对较小,这一点尤为关键。因此,MR-PAT模型在临床应用前需要在大规模、多中心、外部队列验证中进行严格评估。第三,虽然MR-PAT模型在不同MRI制造商间表现出稳健性,但仅限于3.0 T平台。尽管如此,PDFF已被证明在1.5 T和3.0 T扫描仪之间具有高度可重复性[38],且脂肪组织面积测量本质上基于个体解剖结构。这有利于我们模型的跨平台适用性。第四,作为横断面研究,我们的方法预测组织学终点的纵向性能仍有待验证。其对疾病病程的长期预后价值将是我们未来工作的重点之一。

总之,MR-PAT模型结合了基于MRI的PDFF和TATI,利用PDFF准确测量肝脂肪变性,利用TATI直接量化脂肪组织负荷,从而更精确地反映驱动脂肪性肝炎的病理生理机制。它可能作为MASLD患者风险分层的无创工具,并有望优化个体化管理策略。

补充信息

电子补充材料

引用

  1. Yang Y, Lai S, Li X, et al. MRI-based proton density fat fraction combined with adipose tissue for identifying metabolic dysfunction-associated steatohepatitis. Insights Imaging. 2026. PMID: 42957938. doi:10.1186/s13244-026-02444-9
  2. 全文:PMC13719947(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13719947/

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。