非酒精性脂肪性肝病(NAFLD)的发病率持续增加，已成为一个重要的公共卫生问题。NAFLD包括肝脏相关死亡率相对较低的单纯性肝硬化和非酒精性胆固醇性肝炎(NASH) ，NASH可能导致进行性肝功能障碍和肝脏相关死亡率。

多参数磁共振成像 (MRI)，其能够量化质子密度脂肪分数 (PDFF),已经常规应用于各种疾病的诊断及分析。Gd-EOB-DTPA-MR，最初用于检测和表征局灶性肝脏病变，如HCC合并NAFLD，已被证明可以通过计算相对肝脏增强(RLE) 来区分单纯性脂肪变性和NASH。此外，还有人工智能 (AI) 包括深度学习也可揭示NAFLD的成像特征。

近日，发表在European Radiology杂志上的一篇研究以组织学为金标准，比较Gd-EOB-DTPA增强MRI的无监督深度聚类(UDC)与脂肪分数(FF)和相对肝脏增强(RLE)，以区分单纯性脂肪变性和非酒精性脂肪性肝炎(NASH)。

研究将纳入的衍生组46例非酒精性脂肪性肝病(NAFLD)患者进行了3-T MRI检查。组织学评估脂肪变性、炎症、水肿和纤维化。UDC训练将MR数据的不同纹理模式在平扫的T1和Gd-EOB-DTPA增强的T1加权肝胆期(T1-Gd-EOB-DTPA），然后在T1正相和反相图像上按每个序列分为10个不同的簇。在相同的序列上定量RLE和FF。分别用χ2和t检验评价NASH和单纯性脂肪变性患者这些参数的差异。采用线性回归和随机森林分类器来确定组织学NAFLD特征、RLE、FF和UDC模式之间的关联，然后确定能够区分单纯性脂肪变性和NASH的预测因子。ROC曲线评估UDC、RLE和FF的诊断性能。最后，研究在30个验证队列中测试了这些参数。

对于衍生组，来自未增强和T1-Gd-EOB-DTPA的UDC衍生特征，以及来自T1正反向位的特征，分别以85%和80%的准确率区分NASH和单纯性脂肪变性(p≤0.001和p = 0.02)，而RLE和FF区分NASH和单纯性脂肪变性(p≤0.001和p = 0.004)，准确率分别为83%和78%。多因素回归分析显示，RLE和FF仅与纤维化(p = 0.040)和脂肪变性(p≤0.001)相关。相反，使用随机森林分类器预测的UDC特征与所有组织学NAFLD成分相关。验证组证实了这两种方法的结果。

 表 验证组SAF评分对NAFLD患者组织学特征的影响

本项研究表明，UDC、RLE和FF可独立区分NASH与单纯性脂肪变性。其中，UDC可以预测所有组织学NAFLD成分。

原文出处：

Nina Bastati,Matthias Perkonigg,Daniel Sobotka,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.DOI:10.1007/s00330-023-09735-5

Tags： European Radiology：Gd-EOB-DTPA增强MRI的NAFLD患者组织学、影像学和人工智能特征的相关性