肝纤维化MRI可视化评估的研究进展总结2026

肝纤维化MRI可视化评估的研究进展总结2026肝纤维化的精准诊断对于疾病分期、治疗决策及预后评估至关重要

［

1］

。近年来，影像学技术，特别是MRI的发展，为肝纤维化的无创诊断及可视化评估带来了突破

［

2］

。磁共振弹性成像（magneticresonanceelastography，MRE）

［

3］

、T

1

mapping

［

4］

、T

1ρ

［

5］

等前沿序列与技术在肝纤维化的定量诊断与全病程可视化监测中展现出显著优势。新型MRI特异性对比剂/探针的研发也为肝纤维化无创诊断及可视化评估提供了新方法

［

6,7］

。同时，人工智能（artificialintelligence，AI）的快速发展推动了基于影像组学的多模态分析技术在肝纤维化无创诊断中的应用

［

8］

。现有综述多聚焦于不同成像技术的诊断效能比较，缺乏从“可视化评估”角度对多技术整合的系统阐述。本文立足于这一空白，聚焦可视化评估这一临床核心需求，系统整合上述MRI相关成像技术，旨在综述其在肝纤维化可视化评估中的研究现状与进展。一、MREMRE通过外部振动装置向肝脏发射低频剪切波，并利用磁共振检测波在组织中的传播，从而生成反映组织硬度的弹性图；肝纤维化程度越高，组织硬度越大，以此为肝纤维化的精准诊断及可视化评估提供了重要手段，并在理解组织病理生理力学变化方面展现出独特优势

［

9,10］

。MRE在肝纤维化领域的诊断效能已得到充分研究。2018年，Kennedy等

［

11］

研究表明对于慢性病毒性肝炎及非酒精性脂肪性肝病（nonalcoholicfattyliverdisease，NAFLD）患者，MRE在诊断显著性纤维化、晚期纤维化及肝硬化方面表现出色，其曲线下面积（areaunderthecurve，AUC）在0.90以上，但未具体评估其对轻度或早期纤维化的诊断能力。虽然既往研究提示MRE可能优于超声弹性成像技术，如振动控制瞬时弹性成像（vibration-controlledtransientelastography，VCTE）、二维剪切波弹性成像（two-dimensionalshearwaveelastography，2D-SWE），但严谨的前瞻性研究并具备严格病理学对照的证据仍显不足。这一空白由Imajo等

［

12］

发表于2022年的重要前瞻性研究填补。该研究纳入了231例经肝脏活检病理确诊的NAFLD患者，其中有201例同时接受了MRE、VCTE和2D-SWE检查，这是迄今病理结果最为完备的前瞻性直接对比研究。结果显示，在诊断≥F1、≥F2、≥F3及F4分级的肝纤维化时，MRE的诊断效能及稳定性均优于VCTE和2D-SWE，且因其机制为采用低频剪切波在全肝范围内传播，不受皮下脂肪厚度、肋间隙宽度及气体干扰的影响，故在肥胖、肋间隙狭窄或女性等常规超声检查受限的患者中优势更为突出。该研究为MRE的临床应用及优化MRE技术（如克服NAFLD患者常合并的脂肪变性或铁沉积所致信号干扰）提供了参考。在技术可行性方面，Wagner等

［

13］

的大样本、单中心研究结果显示，在691例NAFLD患者中，MRE检查的失败率相对较低（约7.7%），失败的主要原因包括患者无法配合呼吸指令及合并特定慢性肝病状态（如自身免疫性肝炎急性期，其肝脏硬度增加可能导致误判）等。MRE在肝纤维化无创诊断中具有较高的诊断效能、良好的可重复性及较低的技术失败率，且在超声受限患者中优势突出，是目前最精确的弹性成像技术。然而，其弹性图分辨率相对较低，检查时间较长且成本较高，限制了临床普及

［

14,15］

。此外，MRE作为单一参数主要反映组织硬度，难以全面捕捉纤维化过程中的炎症、细胞外基质重塑等复杂病理变化。因此，整合多参数MRI序列构建综合诊断模型，已成为提升肝纤维化无创评估效能的重要方向。二、

T

1mappingT

1

mapping技术基于不同组织在磁场中纵向弛豫时间（T

1值）的差异，通过精确测量和计算生成反映每个体素T

1值的定量图像，从而提供组织生理和病理状态的详细信息

［

16］

。细胞外容积（extracellularvolume，ECV）是该序列衍生的定量参数，反映了细胞外基质的容量，在纤维化评估中具有显著诊断价值。Luetkens等

［

17］

于2018年首次在大鼠胆管结扎（bileductligation，BDL）和CCl

4诱导的大鼠肝纤维化模型中系统研究了T

1

mapping衍生的ECV值，发现肝纤维化动物组的肝脏T

1值、T

2值及ECV均显著升高，且ECV与肝脏羟脯氨酸含量、天狼星红（siriusred，SR）染色阳性程度及α平滑肌肌动蛋白阳性率呈高度正相关，并与门静脉高压进展相关，为ECV无创评估肝纤维化奠定了基础。同年，该团队在1项纳入10例肝硬化患者的小样本、前瞻性临床研究中初步验证了ECV的临床价值，发现ECV与活检标本SR染色阳性百分比强相关，其伪彩色图可反映肝纤维化分布及程度，提示ECV可能是量化临床肝纤维化的可靠、易评估的新方法

［

18］

。随着ECV诊断效能明确，研究转向其与经典无创技术的对比。Jin等

［

19］

的研究结果显示肝脏ECV和2D-SWE测得的肝脏硬度均随纤维化加重而显著增加，ECV与纤维化病理分级呈强相关。多因素分析证实，仅ECV值与纤维化分期独立相关。在识别中度及以上肝纤维化（≥F2级）方面，ECV表现出与2D-SWE相当的非劣效性。同期，该研究团队进一步对比了MRI衍生ECV与常用的肝纤维化血清学诊断模型间的诊断价值，如天门冬氨酸氨基转移酶与血小板比值指数（aspartateaminotransferasetoplateletratioindex，APRI）、纤维化指数-4（fibrosis-4index，FIB-4）等

［

20］

，结果显示ECV、APRI和FIB-4在不同纤维化分期组间差异有统计学意义，其中ECV值与纤维化分期的相关性最强。多因素分析同样表明仅ECV与分期独立相关，且ECV在区分不同纤维化分期的AUC均优于APRI和FIB-4。尽管ECV优于血清学指标，但其作为影像学生物标志物尚无法完全替代肝穿刺活检的金标准地位，然而其全肝定量、可视化分布等优势在临床随访中具有重要潜力。但ECV测量依赖钆对比剂注射，不适用于肾功能不全患者；不同场强及注射方案下的正常值范围尚未标准化；且ECV无法特异性区分纤维化与炎症水肿。单一ECV参数难以全面反映肝纤维化的异质性，因此当前研究正转向整合ECV等多参数的综合MRI诊断模型，以期通过多序列信息互补提升诊断准确性

［

21］

。三、T

1ρT

1ρ成像技术通过探测组织内水分子与大分子间的相互作用提供信息，在软组织成像和病理评估中具有重要价值，尤其在软骨退行性疾病（如骨关节炎）中应用成熟

［

22］

。T

1ρ值受水分子运动、组织黏滞性及微环境因素综合影响，软骨病变时T

1ρ值升高可反映基质变化。相较于传统T

2WI，T

1ρ对早期病变更敏感，有助于在出现症状前识别微小变化，为早期干预创造条件。近年来，随着技术进步与诊断效能提升，T

1ρ的应用已延伸至肝纤维化精准诊断领域。Wang等

［

5］

于2011年首次在大鼠BDL肝纤维化模型中验证了T

1ρ的诊断价值及可视化能力，动态扫描发现BDL组大鼠肝脏T

1ρ值随纤维化进展（术后第8、15、21、29天）而显著升高，并与病理严重程度相符，成功绘制了纤维化演进的可视化图谱。Zhang等

［

23］

在CCl

4诱导的肝纤维化大鼠模型中对比了T

1ρ、T

2WI及DWI，结果显示T

1ρ值、T

2值及ADC值均与纤维化严重程度显著相关，其中T

1ρ的诊断效能最高，AUC为0.92。在临床研究方面，Xie等

［

24］

前瞻性纳入健康受试者、脂肪肝患者和肝纤维化患者各18例，使用3.0TMRI进行T

1ρ和mDIXON序列扫描。结果发现，3组间肝脏T

1ρ值和质子密度脂肪分数（protondensityfatfraction，PDFF）存在显著差异，纤维化组T

1ρ值高于健康组和脂肪肝组，而健康组与脂肪肝组T

1ρ值相似；脂肪肝组PDFF值高于健康组和纤维化组，后两组间PDFF值无差异；T

1ρ值在49.5ms阈值下诊断纤维化效能良好，AUC为0.855，且与肝脏硬度中度相关。该研究证实，T

1ρ可用于无创检测肝纤维化且不受脂肪变性的显著影响，这一特性使T

1ρ在合并脂肪性肝病的纤维化患者中具有独特的临床应用价值，可弥补超声弹性成像受脂肪衰减影响的不足，为代谢相关脂肪性肝病患者的纤维化无创评估提供了可靠选择。Lu等

［

25］

使用超高场强（11.7T）MRI设备的研究不仅确认了T

1ρ的诊断优势，还获得了更高质量的可视化图谱，深化了对图像质量改进的认识。Li等

［

26］

开展的T

1ρ与2D-SWE的对比研究显示，纤维化分期与T

1ρ值和肝脏硬度值均呈中度正相关，后两者间亦中度相关。在诊断不同纤维化阶段（≥F1、≥F2、≥F3和F4）时，2D-SWE的AUC数值虽略高于T

1ρ，但差异均无统计学意义，再次确认了T

1ρ具有检测和分期肝纤维化的潜力，其诊断能力与超声弹性成像相当。T

1ρ成像对早期纤维化敏感，且不受脂肪变性显著影响，在代谢相关脂肪性肝病患者中具有独特应用价值，其诊断能力与超声弹性成像相当。但该技术成像复杂、设备依赖性强、扫描时间较长，不同设备间标准化亟待解决

［

27,28］

。四、新型对比剂/探针近年来，针对肝纤维化可视化与精准诊断需求，新型MRI对比剂/探针的开发已成为研究焦点，旨在提升成像分辨率与对比度，并拓展MRI在分子成像领域的应用边界。此外，多功能化探针（将诊断与治疗功能结合，实现“诊疗一体化”）是当前热点，有望提供实时治疗反馈并优化疗效。技术层面，先进的化学合成方法可制备高稳定性、低毒性的纳米级MRI探针，结合高分辨率质谱、核磁共振光谱等分析手段可精确表征其化学结构及生物分布，确保临床应用安全有效。鉴于Ⅰ型胶原蛋白在肝纤维化中的大量沉积及肝星状细胞活化的关键作用，靶向这些分子的新型对比剂有望实现更精准评估。Farrar等

［

29］

于2015年开发了靶向Ⅰ型胶原的探针EP-3533，在大鼠BDL模型中成功实现了对肝纤维化进展的可视化及对西罗莫司治疗反应的评估，但因其使用的钆喷酸葡胺螯合物存在稳定性不足及钆残留风险，限制了该成果的临床转化。后续，该团队推出更为稳定的螯合剂钆特酸葡胺的探针CM-101

［

30］

。在大鼠BDL及小鼠CCl

4诱导的肝纤维化模型中证实其能快速经肾脏清除半衰期约6.8min，组织钆残留低且骨积聚可忽略，同时展现出对纤维化区域的强检测能力，信噪比变化值显著增高。Salarian等

［

6］

则分别使用无靶向性对比剂ProCA32和靶向Ⅰ型胶原的ProCA32-collagen1，在肝纤维化大鼠中证实靶向对比剂的成像效能随纤维化严重程度增加而提升，并初步在临床患者肝脏标本中验证了ProCA32-collagen1与胶原的结合能力。该研究从动物模型到人肝标本的验证为靶向胶原对比剂的临床转化奠定了基础，有望实现对肝纤维化的分子水平可视化评估，为早期抗纤维化治疗的疗效监测提供新的影像学手段，展现出临床转化潜力。此外，考虑到胶原沉积是纤维化结果而非早期事件，有研究转向靶向关键调控因子赖氨酸氧化酶，并开发了探针钆-1-4。实现了在尚未形成明显胶原的小鼠模型中即通过MRI观察到肝脏启动的纤维化修复过程，并在人肝纤维化标本中证实其靶向结合性，其创新性在于将可视化提前至纤维化启动阶段，且基于临床可用钆剂修饰，临床转化前景可观，但该研究尚缺乏对探针体内生物学行为及安全性的系统评估

［

7］

。综上所述，新型靶向对比剂/探针能在分子或功能水平评估肝纤维化，可早期检测纤维化启动事件。但靶向探针的体内安全性数据缺乏、研发成本高昂；单一对比剂/探针提供的分子或功能信息有限，难以全面反映纤维化的多维度病理改变。五、AI与影像组学AI及其子领域机器学习（machinelearning，ML）和深度学习（deeplearning，DL），通过模拟人类认知过程，使计算机能够从数据中学习并执行预测与决策任务，而无需显式编程

［

31,32］

。影像组学作为医学影像领域的重要发展方向，专注于从影像数据中提取和分析大量定量特征，以支持疾病的诊断、预后及治疗决策。随着ML和DL技术的进步，AI已深度融入影像组学的特征选择、模型构建与评估环节，并在MRI无创诊断肝纤维化研究中展现出巨大潜力。Park等

［

33］

纳入436例经病理确诊的肝纤维化患者，基于增强MRI影像组学特征构建了影像组学纤维化指数（radiomicsfibrosisindex，RFI）模型，在训练集（329例）中确定了其对不同纤维化阶段的最佳诊断阈值，并在测试集（107例）中验证了RFI在诊断纤维化分期方面显著优于增强MRI及APRI和FIB-4，其诊断不同阶段的灵敏度（81%~95%）、特异度（75%~95%）及AUC（0.87~0.91）均表现优异，证实了RFI准确区分肝纤维化分期的能力及其无创诊断价值。Schawkat等

［

8］

则在前瞻性研究中比较了基于ML的纹理分析（textureanalysis，TA）模型与MRE的诊断效能，纳入62例患者（训练集41例，测试集21例），发现基于T

1WI的TA模型在区分早期（F0~F2）与晚期（F3~F4）肝纤维化方面准确度为85.7%，其AUC与MRE相当，而基于脂肪抑制T

2WI的模型效能较低，提示基于ML的TA模型在特定序列上可达到与MRE相似的诊断准确度。另一方面，Nitsch等

［

34］

利用肝脏和脾脏的MRI影像组学特征开发了预测肝硬化严重程度及预后的模型。在一项纳入90例患者的回顾性研究中，联合肝脏和脾脏特征的模型预测临床失代偿事件的效能（AUC为0.84）显著优于终末期肝病模型（modelforend-stageliverdisease，MELD）评分（AUC为0.78），且在预测不同MELD阈值（≥9，≥15）时也展现出一定能力，表明基于MRI的多器官影像组学特征有望作为评估肝硬化严重程度的替代指标。DL技术在肝纤维化MRI诊断中也取得了重要进展。Anteby等

［

35］

的系统综述表明，基于卷积神经网络（convolutionalneuralnetwork，CNN）的模型在肝纤维化分期中展现出良好效能，多数研究报道的准确度超过85%。例如，Yasaka等

［

36］

使用钆塞酸二钠增强MRI肝胆期图像构建的深度CNN模型，在鉴别F2、F3及F4期纤维化时的AUC分别达到0.85、0.84和0.84，且该模型输入还整合了肝炎状态及MRI场强等非影像数据，体现了多模态融合的优势。Hectors等

［

37］

开发的完全自动化DL模型基于钆塞酸二钠增强MRI进行肝纤维化分期，其诊