Analiza radiowa częstotliwości ultradźwięków wspomagana przez sztuczną inteligencję do nieinwazyjnej ilościowej oceny tłuszczu w wątrobie u dzieci

Dlaczego tłuszcz w wątrobie u dzieci ma znaczenie

Coraz więcej dzieci gromadzi nadmiar tłuszczu w wątrobie — stan powiązany z otyłością oraz zwiększonym ryzykiem cukrzycy i chorób serca w przyszłości. Wczesne wykrywanie i monitorowanie tego tłuszczu jest kluczowe, ale obecnie najdokładniejsze badanie — rezonans magnetyczny — jest drogie, ograniczenie dostępne i bywa trudne do zniesienia dla dzieci. W badaniu tym sprawdzono, czy zwykłe aparaty ultradźwiękowe, wspomagane sztuczną inteligencją (AI), mogą mierzyć tłuszcz w wątrobie u dzieci z dokładnością zbliżoną do MRI, bez igieł, promieniowania czy długich pobytów w szpitalu.

Rosnący problem w młodych organizmach

Metabolicznie związana stłuszczeniowa choroba wątroby (MASLD), wcześniej klasyfikowana jako niealkoholowa stłuszczeniowa choroba wątroby, stała się najczęstszą przewlekłą chorobą wątroby u dzieci. Dotyka do jednego na dziesięcioro dzieci w populacji ogólnej, a nawet połowy dzieci z otyłością. W przeciwieństwie do dorosłych, dzieci często mają trudności z wstrzymaniem oddechu, pozostaniem nieruchomo lub poddaniem się inwazyjnym badaniom, takim jak biopsja wątroby, co ogranicza częstotliwość bezpiecznych i komfortowych kontroli. Pomiary tłuszczu w MRI są bardzo wiarygodne, ale drogie i czasem wymagają sedacji. Standardowe badanie ultrasonograficzne jest znacznie prostsze, lecz daje głównie ziarnisty obraz w odcieniach szarości zależny od operatora i bywa niewrażliwe na łagodne postacie choroby. Kluczowe pytanie brzmi, czy głębsze informacje ukryte w surowych sygnałach ultradźwiękowych mogą zmniejszyć tę przepaść.

Słuchając surowego dźwięku zamiast tylko oglądać obraz

Nowoczesne aparaty ultradźwiękowe rejestrują nie tylko znany obraz w odcieniach szarości, lecz także podstawowe echo radiowe (RF) — bogate dane fal dźwiękowych, które zwykle są odrzucane. Badacze prospektywnie zrekrutowali 40 dzieci i nastolatków ocenianych pod kątem stłuszczenia wątroby. W tym samym dniu każde dziecko przeszło specjalistyczne badanie ultradźwiękowe zapisujące dane RF, standardowy ultradźwiękowy parametr osłabienia dźwięku w wątrobie (tzw. parametr atenuacji), podstawowe badania krwi oraz skan MRI dający precyzyjny procentowy udział tłuszczu w wątrobie. Na podstawie tych danych zespół zbudował dwa typy systemów AI. Jedna grupa modeli analizowała ręcznie wyodrębnione cechy numeryczne, czyli „radiomikę”, pozyskaną z sygnałów RF. Druga używała głębokiego uczenia, w którym sieci neuronowe uczyły się wzorców bezpośrednio z obrazów opartych na danych RF, z opcjami dodania miary atenuacji i kluczowego poziomu enzymu we krwi.

Czego systemy AI nauczyły się o wątrobach dzieci

Badacze porównali różne kombinacje wejść: same dane RF; RF plus konwencjonalny obraz ultradźwiękowy w odcieniach szarości; RF plus parametr atenuacji; oraz pełne połączenie RF, atenuacji i enzymu wątrobowego z badań krwi oznaczanego jako ALT. Okazało się, że dane RF były kluczowe: modele bazujące wyłącznie na standardowych obrazach wypadały zauważalnie gorzej. Dodanie obrazu w odcieniach szarości do RF nie pomagało, a czasem pogarszało dokładność, co sugeruje, że sprowadzenie bogatych informacji dźwiękowych do prostego obrazu usuwa przydatne szczegóły. W przeciwieństwie do tego połączenie danych RF z ilościową miarą atenuacji znacząco poprawiło wydajność, a dodanie ALT przyniosło dalszy wzrost, szczególnie w modelu głębokiego uczenia. Odzwierciedla to, jak ocena wątroby w praktyce korzysta z łączenia sygnałów obrazowych i chemicznych markerów krwi.

Jak blisko MRI znalazło się ultradźwiękowe badanie z AI?

Najlepszy model radiomiki, wykorzystujący metodę zwanej gradient boosting, wyjaśniał około czterech piątych zmienności tłuszczu mierzonego w MRI i zwykle mylił się o mniej niż 2 punkty procentowe. Najlepsza sieć głębokiego uczenia wykazała podobną, choć nieco niższą dokładność. Analiza zgodności porównująca każdą estymację AI z wynikami MRI dla wielu przekrojów obrazów wykazała jedynie minimalne średnie różnice — znacznie poniżej pół punktu procentowego — przy większości błędów mieszczących się w kilku punktach procentowych. W praktyce oznacza to, że system ultradźwiękowy wzmocniony AI mógłby śledzić poziomy tłuszczu w wątrobie dzieci na tyle wiernie, by odzwierciedlać wyniki MRI, bez konieczności wykonywania MRI.

Co to może znaczyć dla dzieci i placówek

Badanie sugeruje, że zwykłe aparaty ultradźwiękowe, rozbudowane o zapis surowych danych dźwiękowych i sparowane z oprogramowaniem AI, mogłyby stać się potężnym, przyjaznym dzieciom narzędziem do pomiaru tłuszczu w wątrobie. Takie systemy są tańsze, bardziej dostępne i wolne od promieniowania, co czyni je odpowiednimi do powtarzalnego monitorowania w miarę wzrostu dzieci lub wdrażania zmian stylu życia i leczenia. Chociaż prace przeprowadzono w jednym szpitalu na umiarkowanej liczbie pacjentów i przy użyciu jednego typu aparatu, i wymagają one potwierdzenia w większych, wieloośrodkowych badaniach, wskazują na przyszłość, w której tłuszcz w wątrobie dzieci będzie można śledzić podczas zwykłych wizyt w przychodni. Dla rodzin może to oznaczać wcześniejsze wykrycie problemu, częstsze kontrole bez dodatkowego ryzyka i lepsze szanse na ochronę dzieci przed długotrwałym uszkodzeniem wątroby.

Cytowanie: Choi, G., Ham, S., Je, BK. et al. AI-powered ultrasound radiofrequency analysis for non-invasive pediatric liver fat quantification. Sci Rep 16, 13798 (2026). https://doi.org/10.1038/s41598-026-37862-8

Słowa kluczowe: stłuszczenie wątroby u dzieci, obrazowanie ultradźwiękowe, sztuczna inteligencja, ilościowa ocena tłuszczu w wątrobie, otyłość dziecięca