基于AI驱动的全身MRI影像组学特征在UK Biobank队列中实现多疾病临床前风险评估的创新研究

本研究通过整合UK Biobank的全身MRI与临床数据，开发了AI驱动的多模态风险评估模型。研究人员利用影像组学特征（radiomics）结合非影像数据，成功预测心血管疾病（CVD）、癌症等7类疾病的3年发病风险，准确率显著提升。该研究为无创性早期筛查提供了新范式，推动医疗模式从治疗向预防转型。

　　

当前医疗领域面临的核心挑战在于如何实现疾病的早期预警。传统风险评估依赖主观问卷和单一生物标志物，存在回忆偏倚和器官局限性。全身磁共振成像（whole-body MRI）虽能提供多器官结构信息，但其低分辨率特征和高维数据特性使得临床转化困难。与此同时，人工智能（AI）技术在医学影像分析中的快速发展，为挖掘影像中隐藏的疾病信号提供了新机遇。

德国慕尼黑工业大学（Technische Universit?t München）的研究团队在《npj Digital Medicine》发表了一项突破性研究。该团队利用英国生物银行（UK Biobank）中10万参与者的颈部至膝盖全身MRI数据，结合临床问卷信息，开发了一套AI驱动的多疾病风险评估系统。通过提取69个器官的影像组学特征（radiomics），并融合心脏MRI功能参数，实现了对心血管疾病（CVD）、胰腺疾病、肝癌等7大类疾病的3年发病风险预测，准确率最高达0.78（AUROC）。这项研究首次证实了低分辨率全身MRI在人群筛查中的临床应用价值，为建立无辐射、多器官同步评估的预防医学体系提供了关键技术支撑。

研究采用三大关键技术：① 基于UK Biobank队列的疾病分组策略，通过ICD-10代码和住院记录定义7类疾病终点；② 全身MRI自动分割算法（TotalSegmentator）提取69个器官的1436个影像组学特征；③ 多模态融合框架，比较随机森林（RF）、XGBoost（XGB）和三维ResNet18模型在单独或联合使用影像与非影像数据时的性能差异。

结果分析
Preclinical risk assessment in UK biobank
通过倾向评分匹配构建平衡数据集，发现影像组学特征对胰腺疾病（ACC=0.67）、COPD（0.65）预测效果最优。全身MRI直接分析仅在肝癌（0.63）和癌症（0.61）中表现尚可，证实了特征提取的必要性。

Unimodal analysis
非影像数据对除癌症外的疾病均具预测力（平均ACC=0.62），而心脏MRI特征显著提升CVD风险评估（ACC=0.72），揭示了心脏功能参数的关键作用。

Multi-modal analysis
影像组学与非影像数据融合后性能全面提升，尤其在骨关节炎（ΔACC=+0.11）和COPD（+0.09）中表现突出。晚融合（late fusion）策略在多数疾病中优于联合训练，凸显了模块化设计的优势。

讨论与意义
该研究创新性地证实了低分辨率全身MRI的临床转化潜力：① 影像组学特征较原始图像具有更高信噪比和解释性；② 脂肪、肌肉等代谢相关器官的特征在跨疾病预测中普遍重要（如图3所示）；③ 多模态融合可弥补单一数据源的局限性。尽管存在样本选择偏倚和分割算法泛化性等限制，这项研究为建立辐射-free的大规模人群筛查提供了技术蓝图，有望推动医疗模式从"疾病治疗"向"健康管理"的范式转变。未来需进一步验证该框架在独立队列和不同种族人群中的适用性。