基于深度学习的肝纤维化分期弹性超声与常规超声融合诊断研究综述

基于深度学习的肝纤维化分期弹性超声与常规超声融合诊断研究综述肝纤维化是各类慢性肝损伤向肝硬化、肝细胞癌进展的核心中间病理阶段，其分期诊断对临床干预方案制定、预后评估具有决定性价值。目前肝穿刺活检仍是分期诊断的“金标准”，但作为有创操作存在采样误差、患者依从性低等局限，无法实现动态随访与大规模人群筛查。超声检查因无创、便捷、成本低廉的优势，已成为肝病影像学评估的首选手段，其中常规超声可提供肝实质回声、肝脏形态、脾脏大小等形态学信息，弹性超声则能直接量化肝组织硬度，反映纤维化的病理程度。两类模态的信息具有天然互补性，但传统人工解读受医师经验、操作规范度影响较大，诊断一致性仅为65%~75%，对早期肝纤维化（S1~S2期）的识别灵敏度不足40%。近年来深度学习技术在多模态医学影像分析领域的突破，为实现两类超声信息的高效融合、提升肝纤维化分期诊断效能提供了全新路径，相关研究成果已展现出显著的临床转化潜力。一、单一模态超声诊断肝纤维化的技术局限常规超声是肝纤维化初步筛查的基础手段，其评估指标包括肝实质回声增粗增强、肝表面不光滑、肝缘变钝、门静脉增宽、脾脏肿大等间接征象。但该模态的局限性十分突出：首先，早期肝纤维化阶段肝实质形态学改变较轻微，回声特征与正常肝脏、脂肪肝等良性病变存在重叠，人工判读的假阴性率可达30%以上；其次，不同设备的增益设置、操作者的扫查手法均会影响图像质量，导致不同中心的诊断一致性较差。一项纳入1200例慢性肝病患者的多中心研究显示，常规超声对S2及以上肝纤维化的诊断AUROC（受试者工作特征曲线下面积）仅为0.72，对S4期肝硬化的诊断AUROC为0.81，无法满足临床精准分期的需求。弹性超声的出现填补了功能学评估的空白，目前临床常用的技术包括瞬时弹性成像（TE）、点剪切波弹性成像（pSWE）、二维剪切波弹性成像（2D-SWE）三类，其核心原理是通过检测肝组织在外部激励下的剪切波传播速度，换算得到肝硬度值（LSM）。多项Meta分析证实，弹性超声对S3及以上显著肝纤维化的诊断AUROC可达0.85~0.90，对S4期肝硬化的诊断AUROC可达0.92以上。但弹性超声的应用也存在明显短板：一方面，其检测成功率受患者肥胖、肋间隙狭窄、腹水等因素影响，10%~15%的患者无法获得可靠测量结果；另一方面，肝内炎症活动、胆汁淤积、肝静脉淤血等非纤维化因素会导致LSM值假性升高，单独使用弹性超声时对S1~S2期的鉴别AUROC仅为0.68~0.73，难以区分相邻分期的纤维化程度。单一模态超声信息的局限性，使得临床迫切需要整合多维度信息的诊断方案。常规超声的形态学特征与弹性超声的功能学信息存在互补性：当弹性测量结果处于灰区（7.3~9.1kPa，对应S2~S3期）时，若常规超声显示肝实质回声不均、肝被膜不光滑，可显著提升纤维化分期的诊断置信度。但传统融合诊断依赖医师主观结合两类影像信息，诊断效能受个人经验限制，不同年资医师的诊断结果kappa值仅为0.52~0.61，无法实现标准化评估。深度学习技术的端到端特征学习能力，为实现两类超声模态的自动、精准融合提供了技术支撑。二、深度学习多模态融合的主流技术框架目前用于弹性超声与常规超声融合诊断肝纤维化的深度学习框架，主要分为数据层融合、特征层融合、决策层融合三类，三类技术路径各有适用场景与技术优势。（一）数据层融合技术数据层融合是将两类超声图像在输入阶段直接拼接，输入同一卷积神经网络（CNN）进行特征提取，是最直接的融合方式。其核心优势是能够保留原始图像的底层细节信息，避免预处理过程中的特征丢失。具体实现方式包括单通道拼接与多通道输入两类：单通道拼接是将常规超声灰度图与弹性超声硬度彩图调整为相同尺寸后，沿宽度或高度方向拼接为一张复合图像；多通道输入则是将两类图像作为不同的颜色通道，输入支持多通道输入的CNN模型（如调整输入层的ResNet、DenseNet）。2022年欧洲放射学杂志发表的一项研究，纳入了486例慢性乙肝患者的2D-SWE弹性图与同期常规超声图像，采用改进的ResNet-18模型进行数据层融合训练。结果显示，融合模型对S2及以上肝纤维化的诊断AUROC达0.89，显著高于单独使用常规超声（0.71）与单独使用弹性超声（0.82）的模型，对S1与S2期的鉴别准确率达78.3%，较传统人工诊断提升了22个百分点。但数据层融合的局限性也十分明显：两类图像的成像原理差异较大，直接拼接容易引入无关噪声，当两类图像的扫查切面、成像深度不匹配时，模型的诊断效能会下降15%以上，对图像采集的标准化程度要求较高。（二）特征层融合技术特征层融合是目前该领域的主流技术路径，核心思路是使用两个独立的特征提取器分别提取常规超声与弹性超声的深度特征，再通过特征拼接、注意力加权、特征交叉等方式实现融合，最终输入分类头完成分期诊断。该方法的优势是能够针对两类模态的特点设计专属的特征提取网络，最大程度保留各模态的有效信息，避免不同模态特征的相互干扰。特征层融合的关键技术在于融合策略的设计，近年来注意力机制的广泛应用显著提升了融合效率。2023年IEEE医学影像汇刊的一项研究提出了一种跨模态注意力融合网络（CM-AFN），首先用CNN提取常规超声的纹理、边缘等形态学特征，用多层感知器（MLP）提取弹性超声的硬度值分布、感兴趣区（ROI）均匀性等功能特征，随后引入跨模态注意力模块，自动学习两类特征对不同分期的贡献权重。在1020例多中心数据集上的验证结果显示，该模型对肝纤维化四分期（S0~S4）的整体分类准确率达82.4%，对S3、S4期的识别灵敏度分别达90.2%、94.5%，诊断效能显著优于传统特征融合方法。此外，部分研究进一步引入了临床特征（如患者年龄、谷丙转氨酶水平、乙肝病毒载量）作为补充特征，与影像特征融合后，对早期肝纤维化的诊断AUROC可进一步提升2%~3%。特征层融合的另一发展方向是结合小样本学习技术，解决标注数据不足的问题。由于肝纤维化超声图像的标注需要结合肝穿刺活检结果，大样本标注数据集的构建成本较高，迁移学习、少样本学习技术在该领域的应用逐渐增多。2024年中华超声影像学杂志发表的研究，采用预训练的超声通用特征提取模型，在仅120例标注样本的情况下，通过特征层迁移与微调，实现了对S2及以上肝纤维化0.87的诊断AUROC，为小样本场景下的模型训练提供了可行方案。（三）决策层融合技术决策层融合是分别训练常规超声与弹性超声的单模态诊断模型，再通过加权投票、Stacking集成、逻辑回归等方式融合两个模型的输出概率，得到最终分期结果。该方法的优势是灵活性高，两个单模态模型可以独立训练、独立更新，对两类模态的数据量、采集标准的兼容性更强，即使某一模态数据缺失，也能通过单模态模型完成诊断。2023年一项纳入8个中心1862例患者的回顾性研究，分别训练了常规超声的ViT（视觉Transformer）模型与弹性超声的LightGBM模型，随后采用Stacking集成策略，以两个模型的输出概率作为输入，训练第二层逻辑回归分类器进行决策融合。结果显示，决策层融合模型对肝纤维化四分期的整体准确率达80.7%，在不同中心的外部验证中AUROC波动小于0.03，泛化性能显著优于单一模态模型与特征层融合模型。临床应用场景中，决策层融合的容错性更高，当弹性超声测量失败时，可直接切换为常规超声单模态诊断，保持诊断流程的连续性。三类融合框架的适用场景各有不同：数据层融合适合图像采集标准化程度高、样本量充足的场景；特征层融合在样本量中等的情况下能实现更高的诊断效能；决策层融合更适合多中心、设备类型复杂的临床环境。目前已有研究尝试将三类融合方式结合，通过多级融合进一步提升模型的鲁棒性。三、临床应用进展与效能验证近年来，深度学习融合诊断模型的临床验证研究逐步深入，在不同病因、不同人群中均展现出稳定的诊断效能，部分成果已开始向临床应用转化。在病因特异性验证方面，现有研究已覆盖慢性乙肝、慢性丙肝、非酒精性脂肪性肝病（NAFLD）、自身免疫性肝病等主要慢性肝病类型。2024年《肝脏病学杂志》发表的多中心研究，纳入了2136例不同病因的肝纤维化患者，其中NAFLD患者占比42%，慢性乙肝患者占比38%，验证了深度学习融合模型的病因通用性：对慢性乙肝患者S2及以上纤维化的诊断AUROC为0.90，对NAFLD患者的诊断AUROC为0.88，对自身免疫性肝病患者的诊断AUROC为0.87，均显著优于传统FIB-4血清学指标（AUROC0.72~0.76）与单独弹性超声（AUROC0.81~0.83）。针对NAFLD患者常合并肥胖、肝脂肪变导致弹性测量误差的问题，融合模型通过常规超声的脂肪衰减特征校正弹性硬度值，将诊断准确率提升了11个百分点，解决了单一弹性超声在该人群中的应用局限。在早期肝纤维化诊断方面，融合模型的优势尤为突出。S1~S2期肝纤维化患者通过病因干预可实现纤维化逆转，因此精准识别该阶段患者具有重要临床意义。2023年的一项前瞻性队列研究，纳入了327例肝穿刺证实的S0~S2期患者，对比了深度学习融合模型、弹性超声、FIB-4、人工诊断四类方法的识别效能：融合模型对S1与S2期的鉴别AUROC达0.84，灵敏度为82.1%，特异度为76.3%，而弹性超声的AUROC仅为0.71，人工诊断的AUROC为0.65，融合模型展现出明显的优势。该研究还发现，融合模型的诊断结果与肝组织胶原容积分数的相关性达0.78，显著高于弹性超声与胶原容积分数的相关性（0.62），提示其能够更精准地反映肝纤维化的实际病理负荷。在动态随访场景中，融合模型也展现出应用价值。肝纤维化的进展是一个动态过程，单次检查的结果可能受炎症活动等因素干扰，融合多时间点的超声信息可进一步提升诊断置信度。2024年的一项研究纳入了196例接受抗病毒治疗的慢性乙肝患者，每6个月进行一次常规超声与弹性超声检查，随访时间最长达3年。基于序列图像的融合模型能够识别肝实质回声与硬度值的动态变化趋势，对肝纤维化进展（分期升高≥1期）的预测AUROC达0.89，较仅用末次检查结果的模型提升了10个百分点，为慢性肝病患者的长期随访提供了量化评估工具。目前国内外已有多个相关产品进入临床试验阶段。国内某企业开发的肝纤维化超声智能辅助诊断系统，已完成超过5000例的多中心临床验证，对S2及以上肝纤维化的诊断灵敏度达88%，特异度达82%，诊断一致性与高年资超声医师相当，有望在基层医疗机构推广应用，解决基层医师超声诊断经验不足的问题。四、现存挑战与未来发展方向尽管深度学习融合诊断已取得显著进展，但临床转化过程中仍面临多方面挑战，未来研究需重点突破以下瓶颈。首先是数据集的标准化与多模态配准问题。目前多数研究为单中心回顾性研究，不同中心的超声设备型号、扫查切面、弹性测量参数存在差异，且常规超声与弹性超声图像未实现空间配准，导致模型在跨中心验证时效能下降。未来需建立多中心、大样本的标准化数据集，统一图像采集规范，引入弹性超声与常规超声的实时空间配准技术，确保两类图像的解剖位置对应，进一步提升融合特征的可靠性。其次是模型的可解释性不足。深度学习模型的“黑箱”特性是临床推广的主要障碍之一，医师无法了解模型决策的依据，难以判断结果的可信度。近年来类激活映射（CAM）、梯度加权类激活映射（Grad-CAM）等可解释性技术已逐渐应用于该领域，能够可视化展示模型关注的图像区域，2023年的一项研究通过Grad-CAM分析发现，融合模型的决策同时关注常规超声的肝被膜区域、肝实质回声区域与弹性超声的硬度分布区域，与临床医师的诊断思路一致。未来需进一步构建因果可解释的多模态融合模型，明确不同特征对诊断结果的贡献权重，提升临床医师对模型的信任度。第三是复杂临床场景的鲁棒性有待提升。现有模型多在无合并症的患者中验证，对于合并腹水、重度肥胖、肝内占位等复杂病例的诊断效能仍不明确。未来需纳入更多异质性病例，引入对抗训练、领域自适应等技术，提升模型在复杂场景下的容错能力。此外，目前多数研究仅针对肝纤维化二分类（显著纤维化/非显著纤维化）或四分类任务，未来可进一步拓展至肝纤维化定量评估，直接预测肝组织胶原含量，为疗效评估提供更精准的量化指标。第四是多模态信息的进一步拓展。除常规超声与弹性超声外，超声造影（CEUS）、超声微血管成像（SMI）等技术可提供肝内微循环信息，与现有模态融合后有望进一步提升诊断效能。2024年的初步研究显示，加入超声造影的达峰时间、washout率等特征后，融合模型对S3期肝纤维化的诊断AUROC可进一步提升至0.93。未来构建多参数超声融合诊断体系，整合形态学、功能学、微循环多维度信息，是重要的发展方向。在临床转化方面，未来需进