基于超声影像组学的逻辑回归模型预测非酒精性脂肪性肝炎肝纤维化的研究

非酒精性脂肪性肝病（NAFLD）患者中，严重肝纤维化（F2≥2 期）患者疾病进展风险大。研究人员构建基于超声影像组学的逻辑回归模型预测纤维化非酒精性脂肪性肝炎（NASH）概率。结果显示该模型预测能力良好，为临床防治肝病提供了有力证据。

　　在当今社会，随着生活方式的改变，非酒精性脂肪性肝病（NAFLD）如同一个隐藏在暗处的健康杀手，逐渐成为全球范围内肝脏相关疾病和死亡的主要原因。其中，非酒精性脂肪性肝炎（NASH）作为 NAFLD 的进展阶段，更是与疾病恶化、肝硬化乃至肝移植需求紧密相连。而肝纤维化的程度在 NASH 患者的病情发展中起着关键作用，尤其是 F₂及以上阶段，意味着患者未来发病和死亡风险大幅增加。目前，肝脏活检虽被视为检测纤维化 NASH 的 “金标准”，但因其具有侵入性，可能引发出血、样本误差等问题，无法广泛应用于全球超 10 亿的潜在患者群体。因此，寻找一种准确、无创的检测方法迫在眉睫。

在此背景下，华东师范大学芜湖医院（芜湖市第二人民医院）等研究机构的研究人员开展了一项旨在建立无创诊断模型预测纤维化 NASH 的研究。该研究成果发表在《BMC Gastroenterology》上，为肝病的临床管理带来了新的希望。

研究人员主要运用了以下关键技术方法：首先，选取 90 只雄性 SD 大鼠构建非酒精性脂肪性肝炎动物模型，避免雌性大鼠生理周期对实验结果的干扰。其次，使用 ACUSON Sequoia 实时剪切波弹性成像（SWE）超声诊断系统采集超声数据，并严格进行质量控制。再者，对大鼠进行血液和组织采样，进行血清和组织病理学分析。最后，通过影像组学特征提取、选择，结合临床因素，运用多种机器学习算法构建并评估模型。

研究结果如下：

1. 构建影像组学模型：从大鼠肝脏二维超声图像中提取 1288 个特征，经预处理和 LASSO 技术降维，最终保留 5 个特征构建影像组学模型。训练集和验证集的受试者工作特征曲线下面积（AUC）分别为 0.830 和 0.786。
2. 临床因素筛选与模型构建：通过单因素和多因素逻辑回归分析，筛选出总胆固醇（CHOL）、γ- 谷氨酰转移酶（GGT）、二维剪切波弹性成像（2D-SWE）、肝 / 肾比值和体重作为独立危险因素，构建临床模型。
3. 建立临床影像组学模型与验证列线图：整合临床因素和影像组学得分（rad-score），建立临床影像组学模型。经比较，最终选用逻辑回归（LR）算法构建模型。列线图校准曲线显示，预测结果与实际病理吻合良好。
4. 模型评估：临床影像组学模型的 AUC（0.971）和准确率（0.889）均高于影像组学模型和临床模型。决策曲线分析（DCA）表明，当阈值概率超过 25% 时，该模型具有更大优势。

研究结论和讨论部分指出，该研究建立的临床影像组学模型和列线图，能有效整合影像组学、SWE 和临床特征，准确预测纤维化 NASH（≥F₂期纤维化）的发生可能性，有助于临床医生及时对 NAFLD 患者进行干预和治疗，减缓疾病进展，降低并发症风险。不过，研究也存在一定局限性，如基于动物模型数据，可能无法完全反映人体情况；数据仅来自单一医疗机构，需多中心研究进一步验证。但总体而言，该研究为无创诊断纤维化 NASH 提供了新的思路和方法，为未来肝病的精准防治奠定了基础，有望推动肝病临床管理的重大变革。