基于射频特征更新的代谢功能障碍相关脂肪性肝病严重程度诊断研究

本研究针对代谢功能障碍相关脂肪性肝病（MASLD）严重程度诊断的临床挑战，通过提取射频（RF）信号特征（如M-std、m-attenuation-b-mean等），结合递归特征消除（RFE）和逻辑回归模型，构建了非侵入性诊断工具。结果显示模型AUC达0.80，灵敏度0.81，为临床提供了优于传统超声的量化评估手段，对早期干预具有重要意义。

　　

脂肪肝已成为全球慢性肝病的主要形式，随着肥胖和代谢综合征的流行，代谢功能障碍相关脂肪性肝病（MASLD）的发病率持续攀升。这种疾病谱从单纯脂肪堆积（steatosis）到非酒精性脂肪性肝炎（NASH），最终可能发展为肝硬化和肝癌。然而，临床上面临的核心难题是如何早期准确评估疾病严重程度——传统肝活检虽精准但具有侵入性，而超声、MRI等影像学方法又各自存在成本高、灵敏度不足或操作依赖性强等局限。尤其对于肥胖患者，超声图像质量常因穿透性差而显著降低，导致20%的肝硬化患者无法有效筛查肝癌。

针对这一临床痛点，北京友谊医院的研究团队创新性地将雷达和通信领域常用的射频（Radiofrequency, RF）技术引入医学诊断。通过分析肝脏超声检查中的原始RF信号，团队从组织声学特性中提取出反映脂肪沉积和纤维化的微观结构特征，开发了一种基于机器学习的量化评估工具。这项发表于《European Journal of Medical Research》的研究，为MASLD的精准分级提供了新思路。

研究采用横断面设计，纳入108例经MRI确诊的MASLD患者（轻度49例，中重度59例），使用飞利浦EPIQ 7超声系统采集肝脏RF数据。关键技术包括：（1）通过希尔伯特变换将RF信号转换为包络统计量；（2）计算功率谱斜率（k）、截距（b）等频谱参数；（3）基于Nakagami分布评估组织散射特性；（4）采用递归特征消除（RFE）筛选出M-LinIntercept-PS-T（肿瘤内功率谱线性截距均值）、Std-NakagamiU-T（肿瘤内Nakagami参数u标准差）等关键特征；（5）构建逻辑回归模型并通过100次随机抽样验证性能。

特征选择结果
通过RFE算法确定的四大核心特征中，反映组织声学衰减特性的M-LinIntercept-PS-T和表征散射体分布的Std-NakagamiU-T贡献度最高（如图1所示）。这些参数能敏感捕捉肝细胞脂肪变性导致的声波传播特性改变，为模型提供了病理生理学基础。

模型预测结果
最终模型公式为：y=0.608M-LinIntercept-PS-T -0.840Std-MeanFreq-T +0.852Std-NakagamiU-T +0.725Std-NakagamiU-PT +0.230。单独使用RF特征时AUC为0.84，而整合临床数据后性能显著提升至0.90（95%CI:0.89-0.91），灵敏度达0.78，特异性0.76（如表2）。ROC曲线分析（图2）显示该模型在中重度MASLD识别中具有明显优势。

讨论与意义
该研究首次证实RF信号特征与MASLD严重程度存在定量关联。相较于既往研究，其创新点在于：（1）突破传统超声主观评估局限，实现脂肪肝的客观量化；（2）通过RFE算法提炼出具有明确物理意义的声学参数；（3）临床-RF多模态融合策略使AUC提升14.3%。尽管存在样本量有限等不足，但该技术为基层医院提供了可能替代MRI的筛查工具，其0.81的灵敏度尤其适合高危人群初筛。未来通过自动化RF采集和设备小型化，这项技术有望成为MASLD动态监测的新标准。

研究同时揭示了声学参数与脂肪变性的生物学关联：M-LinIntercept-PS-T反映脂滴对声波的吸收增强，而Nakagami参数变化提示脂肪浸润导致肝小叶结构紊乱。这些发现为无创肝纤维化评估提供了新靶点，也为理解MASLD的声学病理基础开辟了新途径。