《Bioengineering》：Task-Specific Multimodal Fusion of MRI Radiomics, Patient-Specific Biomechanics, and Clinical Data for Noninvasive Liver Fibrosis Assessment
编辑推荐：
准确的肝纤维化无创评估需要组织结构、生物力学特性及全身疾病状态的互补性表征。本回顾性单中心研究开发了一种任务特异多模态融合（TSMF）框架，整合了MRI影像组学、患者个体有限元建模（FEM）衍生的生物力学特征、临床变量及弹性成像衍生的硬度信息。研究纳入90例患
准确的肝纤维化无创评估需要组织结构、生物力学特性及全身疾病状态的互补性表征。本回顾性单中心研究开发了一种任务特异多模态融合（TSMF）框架，整合了MRI影像组学、患者个体有限元建模（FEM）衍生的生物力学特征、临床变量及弹性成像衍生的硬度信息。研究纳入90例患者进行基于病理的纤维化分类，同时对具有FibroScan和磁共振弹性成像（MRE）测量数据的亚组患者进一步分析MRE衍生肝脏硬度的连续估计。对于纤维化分类，基于影像组学–FEM主干构建的临床辅助门控校正策略取得了0.818 ± 0.069的AUROC，优于最佳双模态模型（0.794 ± 0.060）和直接三模态融合（0.762 ± 0.096）。对于MRE硬度估计，FibroScan单独提供了强基线性能（R2 = 0.710 ± 0.084；平均绝对误差[MAE] = 0.691 ± 0.133 kPa），而预测级堆叠在相应的直接融合方法上持续改善了性能。在所评估的组合中，FibroScan与FEM特征的堆叠取得了R2 = 0.723 ± 0.076和MAE = 0.665 ± 0.129 kPa，而直接融合的R2 = 0.689 ± 0.098和MAE = 0.723 ± 0.146 kPa。值得注意的是，纳入更多模态并不必然改善性能，提示有效的多模态建模更多依赖于信息互补性和任务适配的融合策略，而非模态数量本身。这些发现支持采用任务特异的多模态整合用于无创肝纤维化评估。以FibroScan为锚定的回归框架证明了在该研究队列内预测MRE衍生肝脏硬度的可行性；然而，其临床一致性、泛化性以及作为直接MRE测量替代方案的潜在适用性仍需进一步验证。
论文解读：任务特异多模态融合框架用于无创肝纤维化评估
一、研究背景与问题
肝纤维化是慢性肝损伤的常见病理后果，以肝实质内细胞外基质过度沉积和重塑为特征。持续的纤维化反应会逐步破坏正常肝脏结构和功能，最终可能进展为肝硬化及相关并发症。由于纤维化严重程度与疾病进展和长期预后密切相关，准确评估对于风险分层、预后评价和治疗规划至关重要。此外，纤维化改变在慢性肝病过程中可能动态演变，可靠的无创评估对于纵向监测和治疗反应评价具有重要意义。
尽管肝活检传统上被视为肝纤维化组织学分期的参考标准，但其有创性、操作相关风险、取样变异性和不适合重复评估等缺点限制了其常规临床应用。血清学指标如纤维化-4指数虽廉价易得，但提供的是纤维化的间接估计，可能受临床和生物学因素影响而限制诊断准确性。弹性成像技术包括振动控制瞬时弹性成像和磁共振弹性成像（MRE）能够定量评估肝脏硬度，并已展示出良好的纤维化分期诊断性能。然而，肝脏硬度也可能受炎症、淤血、胆汁淤积及技术或患者相关因素影响，且硬度测量主要表征组织力学特性，可能无法完全捕捉纤维化进展相关的空间异质性和多维病理改变。
近年来，MRI影像组学通过提取医学图像中的高维定量特征，能够表征常规视觉解读之外的强度、纹理、形态和空间异质性。患者个体有限元建模（FEM）则能整合个体化几何和材料特性，导出应力、应变和变形的空间描述符。临床变量则反映全身生化、代谢和疾病相关改变。然而，有效的多模态整合仍具挑战性，因为模态在维度、信息内容、噪声特性和预测相关性上存在差异。简单特征拼接可能引入冗余而不改善性能，且各模态的贡献可能取决于预测目标——对分类有用的信息未必对连续硬度估计具有同等增量价值。
基于此，研究人员开展了本研究，旨在回答两个相关问题：结构、生物力学和临床信息能否共同提供更全面的肝纤维化表征，以及多模态信息能否在FibroScan基础上为估计MRE衍生肝脏硬度提供增量预测价值。
二、研究内容与主要技术方法
研究人员开发了任务特异多模态融合（TSMF）框架，整合MRI影像组学特征、患者个体FEM衍生生物力学特征、临床变量和弹性成像衍生硬度测量。研究纳入杭州师范大学附属医院90例接受肝脏MRI且有对应临床和实验室数据的患者。分类队列包含59例非进展期纤维化（NAF，F0–F2）和31例进展期纤维化（AF，F3–F4）；回归队列包含74例具有FibroScan测量数据的患者。主要技术方法包括：基于3D Slicer的肝脏分割和PyRadiomics影像组学特征提取；基于Gmsh四面体网格划分和Abaqus有限元分析的个体化生物力学建模；以及针对分类任务设计的临床辅助门控校正机制和针对回归任务设计的预测级堆叠策略。
三、研究结果
3.1 病理学纤维化分类
单模态模型中，FEM模型取得最高独立判别性能（AUROC = 0.736 ± 0.105），其次为临床模型（0.680 ± 0.134）和影像组学模型（0.630 ± 0.100）。双模态直接融合中，影像组学+FEM取得最高平均AUROC（0.794 ± 0.060），优于其他双模态配置。直接三模态融合（0.762 ± 0.096）反而低于影像组学+FEM双模态模型。采用临床辅助门控校正的任务特异融合策略取得AUROC 0.818 ± 0.069，优于影像组学–FEM主干和直接三模态融合。综合评估显示TSMF取得最高平均AUROC和平均精度（AP = 0.751）及0.907的特异性，但敏感性（0.456）较低。
3.2 MRE硬度估计
单模态模型中，FibroScan提供最强预测性能（MAE = 0.691 ± 0.133 kPa，R2 = 0.710 ± 0.084），而临床、FEM和影像组学模型的独立性能均较弱。直接特征级融合中，所有多模态配置均未明显超越FibroScan单独基线。预测级堆叠则在所有评估的多模态配置中持续优于对应直接融合模型。其中FibroScan+FEM堆叠取得最高平均R2（0.723 ± 0.076）和MAE（0.665 ± 0.129 kPa），但相对FibroScan单独的改善幅度有限。Bland–Altman分析显示堆叠模型具有更窄的95%一致性界限。
四、讨论与结论
研究结果表明，有效多模态建模的关键在于模态互补性和任务适配的融合策略，而非模态数量本身。影像组学和FEM分别表征结构异质性和模拟力学响应，二者组合提供了互补的纤维化判别信息。临床信息通过门控校正机制而非直接拼接能更有效地发挥修正作用。在MRE硬度估计中，FibroScan已捕获了大部分硬度相关信息，预测级堆叠能保留主导信号的同时整合互补信息。
研究存在若干局限：单中心回顾性设计、样本量较小、FEM模型依赖简化假设、性能差异未经独立外部队列验证。未来需要多中心外部验证、更生理真实的生物力学建模、系统消融实验及前瞻性评估。总体而言，TSMF框架为整合结构、生物力学、临床和弹性成像信息提供了任务特异的融合策略，但当前结果应视为探索性方法学证据，其临床优越性或替代性尚需进一步验证。
