Combination of quantitative MRI and laboratory markers for the detection and staging of metabolic dysfunction-associated steatotic liver disease

結合四項進階磁振造影與抽血指標，偵測重度纖維化雖能達到 AUC 0.84，但統計上卻無法擊敗單純的磁振彈性成像甚至傳統超音波彈性掃描。這項涵蓋 88 位脂肪肝病患的前瞻性研究點出一個現實：追求極致的多參數複合模型，在臨床實務上未必能帶來顯著的額外效益。

擺脫切片依賴的非侵入性 MASLD 分期

全球約有 30% 的成年人患有 MASLD（代謝功能異常相關脂肪性肝病），這使其成為導致慢性肝病併發症（如肝硬化與肝細胞癌）最快速增長的元兇。疾病譜從單純的脂肪肝，一路惡化至 MASH（代謝功能異常相關脂肪性肝炎），最終引發不可逆的纖維化。針對這類病患，肝臟切片長期被視為診斷與分期的黃金標準。然而，切片具有侵入性風險、潛在的取樣誤差，且病理科醫師之間的判讀往往存在極大差異。

為了尋找非侵入性的替代方案，放射科領域近年大幅推廣 qMRI（量化磁振造影），試圖直接在影像上量化組織代謝與結構的改變。先前的零星研究證實單一 qMRI 技術有效，例如用脂肪分率看脂肪、用 T1 映射看發炎。更有學者提出如 MAST 分數（結合 MRI 與抽血 AST）等複合模型。

然而，究竟是單純依賴一台高階 MRI 足夠，還是把實驗室數據、人體測量值與血液生物標記全部混在一起算一個「無敵分數」比較好？過去一直缺乏頭對頭的全面比較。本研究的主要目標，就是評估單一 qMRI 參數，以及將其與多項 NITs（非侵入性測試）結合後，在偵測 fibro-MASH（纖維化脂肪性肝炎）、大於等於 F2（顯著纖維化）與大於等於 F3（重度纖維化）時的精準度差異。

這對於每天被龐大掃描量淹沒的放射科醫師來說至關重要：我們需要知道，為了微小的準確率提升而讓病患去做全套抽血與複雜的高階掃描，是否真的符合成本效益。

荷蘭前瞻世代的四種量化磁振技術交鋒

從研究設計來看，這是源自荷蘭阿姆斯特丹 ANCHOR 世代的前瞻性隊列分析。在 2018 年 9 月至 2024 年 1 月期間，研究團隊共招募了 91 位在腹部超音波或 VCTE（超音波測量肝臟硬度與脂肪衰減）上顯示有肝臟脂肪變性的門診成人病患。病患需禁食至少 4 小時，並接受抽血、VCTE 檢查，以及最重要的單次 3T MRI 掃描。所有受試者均接受標準化的超音波導引經皮肝臟切片，由兩位病理學家盲視進行 SAF 評分（評估脂肪、發炎活動度與纖維化），其中 88 位最終確診為 MASLD 並納入預測模型。

放射科同行需特別留意他們採用的四項高階 qMRI 序列。首先是 PDFF（用質子密度精準換算脂肪分率），透過多回訊梯度回波取得。其次是 MRE（用聲波震動磁振測量組織彈性），操作時在病患劍突高度放置 50Hz 頻率的重力傳感器。第三是 IVIM-DWI（用多重 b 值擴散權重區分血流與水擴散），以自由呼吸方式擷取 18 個 b 值。最後則是導入商業軟體 LiverMultiScan 的 cT1（用軟體校正鐵質干擾的 T1 弛豫時間），用於捕捉發炎與游離水分。

影像後處理極度仰賴人工與半自動演算法的配合。擁有 4 年經驗的分析師手動避開大血管與膽管圈選 ROI。MRE 數據會剃除非線性大於 50% 的不可靠體素，計算出 MRE-Gabs（剛性）、MRE-G'（彈性模量）與相位角。IVIM 數據則丟進開源的深度學習網絡 IVIM-NET 算出擴散係數（D）與灌注分率（f）。若遇到數據缺失，團隊採用了 MICE 多重插補法進行補齊。

這 88 位病患並非早期的輕度脂肪肝，而是一個高度代謝異常的群體。數據顯示，高達 27.3% 的人處於 S3 重度脂肪變性，69.3% 符合 fibro-MASH 的嚴格標準，且有 39.8% 已經達到大於等於 F3 的重度纖維化。這種中重度偏倚的世代，恰好是臨床上最迫切需要精準攔截的高風險目標。

Table 2 複合分數與單一指標的 AUC 擂台

把焦點轉向核心的預測表現，透過五折交叉驗證（5-fold cross-validation）運算，研究團隊測試了無數種排列組合。針對臨床最在意的 fibro-MASH 診斷，單一指標中表現最好的是血液計分 MAF5（AUC 0.76 $\pm$0.13），緊接著是影像學的 MRE-G'（AUC 0.73 $\pm$0.14）與 cT1（AUC 0.72 $\pm$0.04）。

團隊隨後利用邏輯斯迴歸打造了一個號稱最強的四重複合模型，公式包含了 cT1、MRE-G'、AST 與 ALT。這個組合乍看之下極具說服力，將發炎、組織彈性與肝功能損害一網打盡，其 AUC 確實提升到了 0.81。然而，若仔細檢視 Table 3 中與其他既有 NITs 的 DeLong 檢驗對比，這個費盡心機收集四項數據的模型，其 AUC 0.81 (95% CI: 0.71–0.91) 在統計學上並沒有顯著勝過 MAF5 的 0.76 (p=0.441)，也沒有贏過同樣結合 cT1 的 cTAG 分數 (AUC 0.75, p=0.284)，甚至與常規的 FAST 評分相比 (AUC 0.72) 亦無統計差異 (p=0.130)。

在區分大於等於 F2（顯著纖維化）的任務上，情況如出一轍。由 MRE-G'、ALT 與腰圍組成的複合模型達到了 AUC 0.90（單獨模型集）與 0.84（全世代）。但如果單純只讓病患去做超音波 VCTE-LSM，其 AUC 也有 0.82。經過統計比對，耗資做 MRI 再加量腰圍的複合分數，依然無法以顯著優勢 (p=0.792) 擊倒傳統的超音波彈性測量。

到了偵測大於等於 F3（重度纖維化）的關卡，由 MRE-G'、AST、ALT 與腰圍組成的模型獲得了 AUC 0.84 (95% CI: 0.75–0.93)。這一次，它成功地在統計上壓倒了 MAF5 (AUC 0.73, p=0.031) 與 FIB4 (AUC 0.73, p=0.025)。但令人意外的是，它仍然沒有贏過單純只看 MRE-G' 一項指標的表現 (AUC 0.78, p=0.168)，也沒有勝過抽血的 NFS 分數 (AUC 0.79, p=0.210) 或 ELF 測試 (AUC 0.75, p=0.123)。

Figure S6 揭示病理特徵與影像數據的強關聯

為何辛辛苦苦打造的複合分數，在統計上難以橫掃千軍？如果我們深挖補充資料的 Figure S6 與 Spearman 相關係數，就能看懂背後的生理機制與數據重疊現象。這項分析展示了單一 qMRI 技術其實已經具備極高的病理特徵穿透力，不需要依靠別人。

在脂肪變性（Steatosis）的量化上，PDFF 展現了統治級的準確度，與病理切片呈現最高的正相關（R=0.66, p<0.001），緊追在後的是反映水分子環境改變的 cT1（R=0.62, p<0.001）。

針對臨床最棘手、難以用非侵入性方式捕捉的「肝細胞氣球變性」（Hepatocyte ballooning，反映急性肝損傷與 MASH 活性），影像彈性指標大放異彩。MRE-G' 呈現全場最高的相關係數 0.45 (p<0.001)，MRE-Gabs 也有 0.42 (p<0.001)。更驚人的是，單看 cT1 就能以 p<0.001 的顯著水準，區分出病患究竟是沒有氣球變性（分數 0），還是已經出現氣球變性（分數大於等於 1）。

至於纖維化程度，MRE-G' 與抽血計算的 FIB4 雙雙並列第一，相關係數均高達 0.54 (p<0.001)。有趣的是，小葉內發炎（Lobular inflammation）這項病理特徵雖然與纖維化呈正相關，但在本世代中卻無法與任何一項非侵入性標記產生顯著連結。作者推測，這是因為該群體的小葉內發炎變異度太小，導致訊號被掩蓋。

從這些次群組關聯可以發現一個關鍵：當細胞因脂質毒性腫脹受損時，會同時導致組織剛性增加（MRE 數值上升）與游離水增加（cT1 數值上升）。因此，當你把 MRE 與 cT1 同時丟進多變量邏輯斯迴歸時，它們反映的是同一條生理路徑的變化，變數間產生了高度冗餘（Redundancy）。這解釋了為何 1+1 常常小於 2，複合模型的 AUC 雖然表面數字好看，卻難以在嚴格的 p 值檢驗中拉開與單一強勢指標的差距。

進階模型應用邊界與臨床常規流程的妥協

在 Discussion 階段，作者坦白了幾項影響臨床導入的限制條件。首先，這是一個只有 88 人的單中心研究，並且使用同一批數據來生成模型與驗證模型，這無可避免地會導致複合分數的診斷表現被高估。其次，研究並未深入探討這四種 qMRI 技術在不同機器、不同日期的重現性（Reproducibility），而這恰好是放射科建置臨床常規 protocol 時最在意的穩定度指標。

再者，現實中執行複雜的 MRI 協議必然會面臨失敗。本研究中有 8 位病患的 MRE 品質被判定為不合格，7 位的 cT1 遭遇假影或鐵質過載無法量化，另有少數 PDFF 與 IVIM 掃描缺漏。研究團隊動用了預測均值匹配（PMM）來插補這些遺失數據。雖然符合統計規範，但也暗示了在真實世界的急診或高通量門診中，強求病患做滿四套 qMRI 是不切實際的。

此外，目前的統計模型將疾病狀態強行二分法（例如小於 F3 對決大於等於 F3），這抹煞了肝臟纖維化作為一種連續光譜的本質。未來若能改用有序迴歸（Ordinal regression），或許能更細緻地呈現 qMRI 的價值。儘管如此，這篇論文仍奠定了一個重要基石：我們確知 qMRI 能看透疾病的連續變化，且不需要依賴危險的切片。

對於一線放射科醫師而言，這套研究結果提供了一個清晰的減法哲學。面對疑似 MASLD 需要分期的病患，我們大可不必陷入「一定要算出某個複雜縮寫分數」的迷思。現有的超音波 VCTE 作為第一線守備已十分稱職；當遇到嚴重肥胖導致超音波失真，或面臨啟動昂貴抗纖維化藥物的決策十字路口時，直接安排包含 MRE 與 PDFF 的 MRI 協議即可。

即便你不知道病患的腰圍，也沒有他的 AST/ALT 抽血報告，單憑 MRE 測得的肝臟彈性 G' 值，在統計意義上就已經具備了與複雜複合模型同等級的診斷火力。把有限的掃描時間與後處理精力，投資在確保單一 MRE 影像的波傳導品質與無假影 PDFF 擷取上，才是提昇看片效率與臨床貢獻度的最佳策略。

報告遇到脂肪肝排 MRI 分期時，確保 MRE 波傳導品質並單獨給出 G' 彈性數值，其臨床決策力已等同費時收集的四重綜合分數，不需硬等抽血結果出爐。