肝纤维化无创诊断的研究进展

徐媛，李玉凤，薛守校，刘建莉

【提要】 肝纤维化是肝脏对各种损伤进行修复的的共同病理过程。对肝纤维化进行早期、无创、精准评估利于疾病的早期预防及诊治，由于肝穿刺活检的局限性，实验室血清学指标及人工智能技术的不断发展一定程度上代替了病理检查，取得了诸多进展，为精准诊断肝纤维化开创了良好前景。本文从实验室指标及人工智能技术在肝纤维化的诊断、分期方面的研究现状进行综述。

肝纤维化是肝脏对各种损伤进行修复的共同病理过程，主要特征是细胞外基质的过度沉积，在致病因素的反复、长期刺激下，可发展成为肝硬化甚至肝癌[1-2]，有研究[3]表明对肝纤维化进行及时干预不仅可明显改善肝功能，甚至可以逆转组织病理进程，使疾病获得较佳的恢复，因此对肝纤维化的早期诊断和精准评估具有重要临床意义。

肝脏穿刺活检是肝纤维化诊断及分期的金标准[4]，国际上最常用于评估肝纤维化的方法有METAVIR和Ishak评分系统[1]。作为有创性操作的肝脏穿刺活检容易引起出血、气胸、血胸、败血症等相关并发症，并且操作的可重复性差、无法避免抽样误差，因此无法反复多次穿刺来评估疾病的进展情况[5]；并且肝脏穿刺活检只能评估肝脏局灶部位，不能进行肝脏整体状况的评估[6]，因此尽可能避免肝脏活检并且最大限度获取肝组织的病理信息一直是临床医生的追求目标[7]。目前常用的实验室血清学指标具有廉价、可操作性强等特点，但是诊断敏感性及特异性不突出，临床上常用的超声、计算机断层扫描(CT)和磁共振成像(MRI)等传统影像学方法常用于评估显著肝纤维化、肝硬化及其并发症[8]。这些检查具有可重复性强、无创、可对肝脏功能、形态、体积和血流变化等相关信息进行全面评估，但是大量研究表明不同的检查方法对诊断肝纤维化的效果存在一定差异[9-10]，尤其对早期肝纤维化的诊断存在一定困难[11]，因此精准地、无创地识别早期肝纤维化并准确分期成为许多学者的研究目标。

近年来随着人工智能技术的不断发展，使计算机辅助分析在影像学检查中的临床应用成为可能，其中影像组学和深度学习是目前研究最活跃的技术，它们都通过从大量医学图像中提取额外诊断信息对图像进行全面、客观地评估，以对疾病进行诊断及预测任务。因此，本文就实验室指标、影像组学和深度学习等无创性方法在评估肝纤维化中的应用作一综述。

1 实验室指标

由于肝纤维化的形成是一个动态过程，需要反复多次检测肝细胞外基质的沉积程度及肝功能的改变，因此临床上常首选血清学指标来反映肝纤维化。

1.1 单一血清学指标

单一的血清学指标的获取分为直接检测和间接检测。临床常用的直接检测获得的单一血清学标志物主要指反映细胞外基质的肝纤维化四项指标(简称肝纤四项)，有研究表明血液中肝纤四项含量与肝纤维化病理分期呈正相关[12]，但是Ⅲ型前胶原(PCⅢ)的器官特异性不高[13]，Ⅳ型胶原(Ⅳ-C)可最早反映肝纤维化，层粘连蛋白(LN)主要反映肝纤维化的严重程度及门静脉压力情况，透明质酸(HA)反映肝内已生成的纤维量及肝细胞受损状况[14]。而间接血清学指标包括丙氨酸氨基转移酶、凝血因子和血小板计数等[15-16]，常用于反映肝脏炎症及损伤程度。

1.2 血清学组合参数及肝纤维化数字模型

在临床实践过程中，单一的血清学指标在诊断肝纤维化敏感性及特异性低，因此常使用APRI评分[14]和FIB-4指数[17]组合参数，但这些组合参数通常只能对单一病因导致的肝纤维化的程度进行评估。所以为了更进一步精准评估肝纤维化的进程，将反映肝纤维化的直接及间接指标融合提出了肝纤维化数字模型，如Fibro Index、Fibro meter、Fibro Test等综合诊断模型[18-20]。但是上述评分系统及模型仍仅适用于特定疾病的患者，目前对所有患者均适合的统一评分系统有待进一步研究。

2 影像组学

2.1 影像组学的定义与特征

影像组学是指从海量医学图像[超声、CT、MRI或正电子发射断层成像(PET)等]中提取定量特征的一种技术，通过挖掘这些定量特征获取临床上有用的诊断和预后信息，从而为临床实践提供更好的影像学证据[21-22]。与对医学图像进行视觉评估不同，影像组学可以通过定量指标对各种疾病相关的肝脏的形态及质地变化进行客观和全面的评估。影像组学的定量指标可以分为:①形态特征,主要描述了感兴趣区(region of interest, ROI)的大小、体积和形状等几何学参数；②直方图特征，与病变的异质性有关，主要用于描述ROI中灰度像素灰度值的分布、变化等；③纹理特征，即二阶特征，用于描述了每个单独像素与其相邻像素之间的空间分布关系，用来表现物体内部缓慢变化的组织排列属性；④高阶特征，是指利用各种过滤器或数学变换对海量纹理特征进行滤过并选择得到的定量特征，可以更加稳定地、特异地和可重复地反映图像中更精细的细节。

2.2 影像组学分析的基本流程

包括数据的采集、ROI的划分、定量特征的提取和量化、选择特征、构建模型。

第一步，数据的采集：高质量与标准化的影像数据的获取是影像组学研究的基础[23]。为了获得理想的分析结果，入组数据需要有相同或相似的采集参数。

第二步，ROI的划分：通过人工手动、自动或半自动分割方法将图像中的病变组织与正常组织进行分离，即ROI的勾画。

第三步，定量特征的提取和量化：指从ROI中提取出形态特征、直方图特征、纹理特征和高阶特征等定量特征。

第四步，选择特征：指从海量定量特征中选择具有较高的可重复性、较低的冗余度的特征，用于对疾病进行鉴别、分期和预测等。

第五步，构建模型：利用筛选后的影像组学特征，结合临床数据建立相关的用于指导临床决的模型。

2.3 影像组学在肝纤维化的临床应用

随着肝纤维化的进展，肝脏局部或整体的形状会发生改变，Awaya H等[24]研究显示肝尾状叶/肝右叶比值对诊断中晚期肝纤维化有一定价值，但是对诊断早期肝纤维化不敏感。近年来，随着计算机辅助诊断的影像组学方法日渐成熟，直方图分析、纹理特征分析及高阶特征分析可对肝纤维化特征进行更深入的挖掘。

2.3.1 影像组学直方图分析 随着肝实质内胶原沉积增多、组织不均质性增加，可导致直方图特征的改变，利用肝实质内与肝纤维化相关的直方图特征，可对肝纤维化进行定量评估。龙腾河等[25]以预实验的结果为标准，利用基于灰度直方图的特征分析50例肝纤维化的CT图像，显示诊断肝纤维化的敏感性为80.67%。Beyazal M等[26]利用直方图分析慢性乙型肝炎肝纤维化患者的肝脏回声强度图像，发现偏度、峰度、方差、均值、第50和90百分位值具有统计学意义，表明灰度超声直方图分析可以对慢乙肝患者肝纤维化的评估提供有用的信息。利用磁共振直方图分析评价肝纤维化的研究较多，Yang等[27]通过对肝脏不同回波时间值的磁敏感加权磁共振图像(susceptibility-weighted imaging,SWI)进行直方图分析，发现不同级别纤维化患者之间的方差和偏斜度值存在显著差异。此外，基于非增强影像图像的直方图分析提取的纹理参数相对较少，对早期肝纤维化诊断效能较低，但有研究表明利用直方图特征分析对比增强图像可以鉴别肝纤维化不同分期，提高诊断早期肝纤维化的准确率[28]，因此说明对比增强图像可以提供更多的影像组学信息，利于肝纤维化分期。通常直方图分析的获得十分容易，适合运用到日常临床实践中，但是肝脏为实质性器官，直方图分析只能反映肝实质的整体像素分布，不能对组织异质性进行全面评估。

2.3.2 影像组学纹理特征分析 由于肝纤维化会引起肝实质结构的改变，有肝纤维化的肝脏纹理会更加粗糙，通过对肝脏的纹理特征进行提取可以检测到纤维化早期人眼无法识别的信号强度的细微差异，从而对肝组织的异质性进行客观全面评估。陈明丽等[29]人通过纹理分析186例乙型肝炎患者的标准声像图，利用提取的14个灰度共生矩阵参数诊断早期肝硬化的AUC值达到0.93。Gu等[30]采用二维剪切波弹性成像(two-dimensional shear wave elastography,2D-SWE)和纹理分析动态监测CC14诱导大鼠肝纤维化的进展，研究发现2D-SWE的肝硬度测量可区分轻度肝纤维化，实验进一步对2D-SWE图像进行纹理分析发现直方图和共生矩阵参数对评估重度肝纤维化有强相关性。Jian等[31]通过2D-SWE联合纹理分析对早期肝纤维化的诊断效率优于2D-SWE，说明对声像图的纹理分析可以进一步量化图像特征，提高诊断效能。Lubner等[32]利用纹理分析对肝脏门静脉期CT图像进行评估，研究发现平均灰度强度、均值、熵、峰度、偏度等参数对于诊断肝硬化(≥F4)患者AUC值达0.86～0.87；Daginawala等[33]利用纹理分析方法从对比增强CT图像中提取19个的纹理特征，可无创对肝纤维化分期。由于MRI图像的软组织分辨率高，可以更精细的显示肝纤维化组织的纹理特点，因此基于MRI图像的纹理分析应用较广泛。House等[34]通过对肝纤维化患者的T2WI图像进行纹理特征提取发现逆差分矩、差熵、和熵最有利于识别肝纤维化。通过进一步开发的广义线性模型能提高诊断肝纤维化的能力。有研究显示MRI双增强成像显示纤维化比MRI无增强成像更清晰，超顺磁氧化铁(SPIO)药物和钆螯合物(Gd)给药后延迟成像的组合显示出对肝纤维化检测的敏感性增加[35-36]。研究表明基于MRI增强影像的纹理分析可以提高对肝纤维化的诊断能力[37-38]，尤其是早期肝纤维化[38]，但是由于图像标准化等要求[39]，目前对于其在临床的广泛应用还不能形成共识，因此在未来还需要进一步规范医学图像采集及感兴趣区划分等操作。

2.3.3 影像组学高阶特征分析 利用高阶特征可以更稳定、特异地突出图像细节，并可能反映有关组织微环境的信息。陈明丽等[40]通过对乙肝肝纤维化患者的声像图进行纹理分析提取14个灰度共生矩阵参数和肝包膜厚度参数，并采用方差分析和Spearman相关分析建立模型，研究发现该模型诊断轻度肝纤维化(≥S1)的敏感性97.6%、特异性80.0%。此外，研究进一步利用主成分分析(principal component analysis, PCA)有效减少数据量、高效且精准地描述肝脏声像图纹理特征，提高模型的效能[41]。但由于临床医生操作经验、患者个体差异、多种噪声干扰及研究者采用的设备及参数设置等会对肝脏声像图的获取产生不同程度的影响，导致图像质量不稳定。一项回顾性研究中，Park等[42]将436名经病理证实为肝纤维化的患者随机分为训练队列和验证队列，利用训练队列中患者的Gd-EOB-DTPA增强MRI肝胆期图像开发出基于高阶特征的影像组学纤维化指数(RFI)模型，利用ROC曲线分析确定肝纤维化分期的最佳RFI截断值。在验证队列中，采用Obuchowski指数将RFI与归一化肝脏增强、APRI、FIB-4指数的诊断性能进行比较，结果显示：使用RFI模型诊断≥F2、≥F3和F4的AUC值分别为0.91、0.88、0.87，且显著优于归一化肝脏增强指数、APRI和FIB-4。Pickhardt等[43]从469例丙型肝炎患者的肝脏门静脉期CT图像和实验室指标中提取11个参数，多因素Logistic回归分析发现结合所有11个参数的模型对区分显著纤维化(≥F2)、晚期纤维化(≥F3)和肝硬化(F4)的AUC值分别为0.928、0.956和0.972。综合以上说明，利用高阶特征的影像组学模型在诊断肝纤维化的准确率得到了提高，但仍需要结合临床指标不断优化模型。

3 基于深度学习的肝纤维化应用

深度学习是通过建立一种模拟人脑的实践网络，对图像特征进行表征学习和深度分析的算法，以实现对疾病的精准诊疗。最常用的深度学习模型有卷积神经网络(convolutional neural network，CNN)和堆栈自编码网络(stacked auto-encoder network)。wang等[44]在多中心研究选取398名肝炎患者的1990幅2D-SWE图像的基础上，利用卷积神经网络(DCNN)构建出影像组学模型对肝纤维化进行分期，结果显示该模型评估肝硬化(F4)、晚期肝纤维化(≥F3)和显著肝纤维化(≥F2)的AUC值分别可达0.97、0.98和0.85，明显优于2D-SWE和血清生物标志物。Yasaka等[45]利用深度卷积神经网络(DCNN)模型分析训练队列(534例)和验证队列(100例)患者的钆增强磁共振肝胆期图像，发现DCNN模型在诊断F4期、F3期、F2期肝纤维化的AUC值分别为0.84、0.84、0.85。Choi等[46]基于7461例患者门静脉期CT图像开发出肝纤维化自动分期的深度学习系统(DLS)，并利用大量的内部和外部测试数据进行验证，得出深度学习算法在对诊断≥F2、≥F3和F4的AUC值分别为0.96、0.97和0.95，优于血清纤维化指标和放射科医生的可视图像分析。表明通过提高病例数量、纳入增强扫描的医学图像等可以提高模型性能，进一步提高对肝纤维化的诊断效果。总之，深度学习算法可更大程度地利用医学图像信息，相信随着未来各种新算法的不断开发，有望实现肝纤维化的无创精准全面评估。

4 小结与展望

随着医学水平的发展进步，评估纤维化的非侵入性手段不断拓展。目前临床常用的血清学指标用于动态检测肝纤维化进展，但是诊断的精确度相对低；常规的CT、MRI、超声等技术常用于诊断晚期肝纤维化、肝硬化及其相关并发症；而影像学新技术(超声弹性成像及磁共振弹性成像等)可以进一步评估纤维化的程度，利于肝纤维化分期；新兴的人工智能技术联合影像学技术能在一定程度上提高对肝纤维化分期的评估，为临床在肝纤维化的精准、及时的诊治提供依据。但是人工智能技术目前仍旧面临着医学图像来源不稳定、无法实现图像的标准化、后期感兴趣区勾画和特征提取过程中存在较大差异等挑战，因此模型效能不稳定，实验重复性差。血清学检查、其他非侵入性检查(MRI、超声、CT)和人工智能技术各有优势，如若能将所获得的信息的进行整合并综合评分，可能进一步提高对肝纤维化评估的准确性，利于肝纤维化的个体化治疗。