基于人工智能的超声射频分析技术，用于无创评估儿童肝脏脂肪含量

《Scientific Reports》：AI-powered ultrasound radiofrequency analysis for non-invasive pediatric liver fat quantification

　　

摘要

代谢功能障碍相关性脂肪性肝病（MASLD）影响了30%至50%的肥胖儿童，然而准确的非侵入性量化方法仍然具有挑战性。虽然磁共振成像-质子密度脂肪分数（MRI-PDFF）是当前的金标准，但其有限的可用性要求探索替代方案。本研究前瞻性地纳入了40名因MASLD就诊的儿童患者（平均年龄12.16±2.56岁），对他们同时进行超声射频（RF）数据采集和MRI-PDFF检查。研究人员开发了两种基于人工智能（AI）的脂肪量化方法，这些方法结合了RF数据、超声引导的衰减参数（UGAP）以及临床参数：基于放射组学的模型和深度学习模型。其中，基于放射组学的模型（XGBoost）和深度学习模型（Mod-MHDNet）在多模态数据输入下表现最佳，其相关系数分别为R2=0.81和R2=0.76。Bland-Altman分析显示这两种方法与MRI-PDFF的结果高度一致，平均偏差均小于0.4%。通过对超声RF数据的AI分析，可以实现对儿童肝脏脂肪的准确且易于获取的量化，为MASLD的评估提供了一种实用的替代方法。