综述：基于物理特性的成像人工智能在定量检测代谢性脂肪性肝病（MASLD）生物标志物中的应用：对超声、CT和MRI领域深度学习与放射组学方法的系统综述

《Abdominal Radiology》：Physics-aware imaging AI for quantitative MASLD biomarker mapping: a systematic review of deep learning and radiomics across ultrasound, CT, and MRI

物理智能AI在MASLD/MASH医学影像中的应用研究，系统综述了超声、CT、MRI在脂肪/铁量化、steatosis评估及自动化分割中的进展。结果显示MRI通过PDFF/R2*实现生物物理量化领先，CT自动化体积衰减评估steatosis效率高，超声分物理量（衰减/背散射）与深度学习（B模式）应用。结论指出需多中心验证和标准化流程提升临床转化。

　　

摘要

目的

本系统评价文章批判性地分析了当前在医学成像领域中，基于物理原理的人工智能（AI）在代谢功能障碍相关性脂肪性肝病（MASLD）及其进展形式MASH中的定量生物标志物映射方面的应用现状。研究重点关注深度学习与放射组学技术在超声、CT和MRI中的应用。

方法

本研究遵循PRISMA 2020指南，对2015年至2025年间的PubMed、Scopus和Web of Science数据库进行了系统性检索。纳入了将AI应用于医学成像以实现自动化分割、定量评估脂肪变性/铁沉积/纤维化或对MASLD/MASH进行分期的研究。相关数据包括技术方法、基于物理原理的设计、参考标准、性能以及应用准备情况，并进行了综合分析。

结果

在共842条记录中，最终有33项研究被纳入分析。MRI在利用校正混杂因素的序列和自动化全肝分割技术进行生物学基础的脂肪/铁定量分析（PDFF、R2*）方面处于领先地位。CT在通过全自动体积衰减和双能量虚拟无对比成像进行可扩展的脂肪变性评估方面表现优异，但其性能受成像相位的影响。超声技术则分为基于物理原理的定量超声（衰减/后向散射）方法，该方法与MRI-PDFF及B模式深度学习结合用于脂肪变性分级，并且新兴的技术正在不断适应特定应用场景。在证据强度和外部验证方面，CT和MRI的自动化方法最为可靠；而超声方法的通用性正在逐步提升。目前的主要挑战包括标准化的长程研究流程、多供应商技术间的协调以及针对MASLD的特异性纤维化评估方法的验证。

结论

用于MASLD/MASH的医学成像AI技术正朝着基于物理原理的自动化定量映射方向发展。在应用准备度方面，CT的衰减测量方法和MRI的PDFF/R2*指标分析方法最为成熟。未来的研究需要开展前瞻性、多中心的验证工作，结合基于物理原理的设计、严格的混杂因素控制以及标准化的报告格式，以实现可靠的临床应用。