用于无创儿童肝脏脂肪定量的人工智能驱动超声射频分析

为什么儿童肝脏脂肪很重要

比以往更多的儿童出现肝脏脂肪堆积，这一状况与肥胖以及未来的糖尿病和心脏病有关。早期检测和随访肝脏脂肪至关重要，但目前最准确的检测——磁共振成像（MRI）——价格昂贵、可及性有限，且对儿童而言可能难以耐受。本研究探讨普通超声设备在人工智能（AI）辅助下，是否能够在无需穿刺、辐射或长时间就诊的情况下，像MRI一样准确地测量儿童的肝脏脂肪。

在幼小身体中日益严重的问题

代谢功能相关的脂肪性肝病（MASLD，原先归入非酒精性脂肪肝病）已成为儿童中最常见的慢性肝病。总体上它影响多达十分之一的儿童，在肥胖儿童中发病率可达一半。与成人不同，儿童往往难以屏住呼吸、保持不动或接受如肝活检之类的侵入性检查，这限制了临床医生安全且舒适地检查肝脏的频率。基于MRI的脂肪测量高度可靠，但成本高且有时需要镇静。常规超声使用更方便，但主要提供依赖操作者判断的粗糙灰阶图像，对轻度病变容易漏检。关键问题是，原始超声信号中隐藏的更深层信息能否弥合这一差距。

听取原始声波，而不仅仅看图像

现代超声设备不仅记录熟悉的灰阶图像，还记录底层的射频（RF）回波——丰富的声波数据，通常会被丢弃。研究者前瞻性入组了40名正在评估脂肪肝的儿童和青少年。在同一天内，每位儿童接受了能够保存RF数据的专门超声检查、基于超声的常规肝脏衰减参数测量、基础血液检测，以及提供精确肝脂百分比的MRI扫描。利用这些数据，研究团队构建了两类AI系统。一类模型分析从RF信号中提取的手工设计数值模式，即“影像组学”；另一类采用深度学习，神经网络直接从基于RF的图像中学习模式，并可选择加入超声衰减参数和一项关键的血液酶学指标。

AI系统从儿童肝脏中学到了什么

研究者比较了多种输入组合：仅RF数据；RF加常规灰阶超声图像；RF加衰减参数；以及RF、衰减参数和血液中肝酶（称为ALT）的全组合。他们发现RF数据至关重要：仅依赖常规图像的模型表现明显较差。将灰阶图像加入RF并未带来帮助，有时反而降低了准确性，这表明将丰富的声学信息压缩成简单图像会丢失有用细节。相比之下，将RF数据与定量衰减参数结合大幅提升了性能，加入ALT则进一步增强了效果，尤其对深度学习模型更为明显。这反映出在真实世界中，影像学特征与血液化学线索的结合有助于更全面地评估肝脏。

超声+AI能接近MRI到什么程度？

表现最好的影像组学模型采用名为梯度提升的方法，能解释约四分之三到四分之四（约80%）的MRI测得肝脂变异，且通常偏离真实值小于2个百分点。顶尖的深度学习网络显示了相似但略低的准确性。对比分析（将多个图像切片的每次AI估计与MRI比较）显示平均差异极小——远低于0.5个百分点——大多数误差落在几个百分点范围内。从实践角度看，这意味着经AI增强的超声系统可以在临床上跟踪儿童的肝脂水平，逼近MRI的结果，而无需进行MRI检查。

这对儿童和诊所可能意味着什么

该研究表明，普通超声设备在升级以保存原始声波数据并配套AI软件后，可能成为一种强大且更适合儿童的肝脂测量工具。此类系统更便宜、可及性更高且无辐射，适合在儿童成长或开始生活方式及药物治疗过程中进行反复监测。尽管这项研究在单一医院、患者数量有限且仅使用一种类型扫描仪完成，仍需更大规模、多中心研究验证，但它指向了一个前景：在常规门诊就能追踪儿童肝脏脂肪。对家庭而言，这可能意味着更早发现问题、在无额外风险的情况下更频繁检查，以及更大机会预防儿童长期肝损伤。

引用: 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

关键词: 儿童脂肪肝, 超声成像, 人工智能, 肝脏脂肪定量, 儿童期肥胖