基于人工智能的对比增强CT肝脂肪定量技术：自动化评估与脂肪分数校正模型的建立

本研究针对临床实践中对比增强CT（post-contrast CT）肝脂肪定量标准缺失的问题，开发了基于人工智能的全自动评估方案。通过TotalSegmentator模型实现肝脏/脾脏三维分割，验证了自动化测量与人工ROI的高度一致性（r>0.96），首次建立动脉期、静脉期和延迟期肝衰减值（L）与MR-PDFF（质子密度脂肪分数）的校正方程，AUROC达0.92-0.97。该技术为利用常规增强CT开展大规模脂肪肝筛查提供了新范式。

　　

肝脏脂肪堆积引发的脂肪肝疾病（SLD）已成为全球肝病首要病因，但早期诊断面临重大挑战。传统活检存在出血风险，而金标准磁共振质子密度脂肪分数（MR-PDFF）检测成本高昂。虽然非增强CT可通过肝衰减值（L）评估脂肪含量，但临床80%的CT扫描使用对比剂，导致现有标准失效。更棘手的是，人工放置感兴趣区（ROI）的测量方式效率低下，不同增强阶段（动脉期/静脉期/延迟期）的衰减值差异使问题复杂化。

为解决这一系列难题，美国密歇根大学医学院（Michigan Medicine）联合VA Ann Arbor医疗中心的研究团队在《Abdominal Radiology》发表突破性成果。该研究创新性地将人工智能与影像组学结合，通过三个关键步骤实现技术突破：首先采用TotalSegmentator 2.4.0模型全自动分割肝脏/脾脏三维体积；随后在1740例多期相CT队列中验证自动化测量与人工ROI的相关性；最终建立增强CT衰减值向非增强等效值转换的指数衰减方程。

研究方法凸显三大技术亮点：（1）使用ResNet-50模型智能识别CT扫描期相；（2）通过肾脏捐赠者（n=1555）和退伍军人（n=1044）双队列验证；（3）采用非线性回归拟合动脉期（L'=-31.478+114.8×(1-e^-0.022L)）、静脉期和延迟期的校正方程。

【主要结果】
自动化测量的准确性

三维体积测量与人工ROI的Spearman相关系数达0.97（p<0.001），即使在部分器官显影的CT中仍保持0.96的高相关性。肝衰减值与BMI呈强负相关（r=-0.693），印证了肥胖与脂肪肝的关联。

增强CT的诊断阈值

研究发现单纯肝衰减值（L）的诊断效能显著优于肝脾差值（L-S）或比值（L/S）。中重度脂肪肝（MR-PDFF>15%）的最佳阈值分别为：动脉期55 HU（灵敏度91.5%）、静脉期85 HU（94.7%）、延迟期60 HU（97.4%），其中延迟期AUROC高达0.996。

脂肪分数校正模型

通过指数衰减方程将增强CT值转换为非增强等效值后，推导出的脂肪分数（FF）与参考标准高度一致。外部验证队列显示静脉期RMSE仅8.0，证实模型泛化能力。

这项研究开创性地解决了增强CT脂肪定量的临床痛点。Brian A. Derstine等学者建立的自动化流程，使常规增强CT扫描可复用为脂肪肝筛查工具，其意义体现在三方面：技术层面验证了AI分割替代人工ROI的可行性；临床层面首次提供增强CT的定量标准；公共卫生层面为利用现有影像数据库开展流行病学研究铺平道路。正如讨论指出，该技术特别适用于肿瘤患者的随访CT二次利用，有望改变当前70%中重度脂肪肝漏诊的现状。未来需在非120 kVp等特殊扫描参数中进一步验证模型的普适性。