Quantitative Multifrequency Ultrasound Imaging Using Narrowband Pulsing for Tissue Characterization.
不只看硬度！多參數超音波結合高頻散射與血流動力學，以 100% 準確率顛覆早期脂肪肝分期。
- H-scan 高頻散射特徵對脂肪肝 AI 分類的貢獻度超過 35%，重要性大於傳統剪力波速。
- 重度脂肪肝不僅使大鼠剪力波速降至 1.36 m/s，腫脹細胞更擠壓微血管導致血流灌注顯著下降。
- SVM 二分類模型準確率達 100%，但在區分第 2 週輕度脂肪肝時準確率降至 92%，凸顯早期偵測挑戰。
一般我們多依賴彈性超音波來評估慢性肝病，但在早期脂肪肝的分類上，反映組織微小結構散射特性的 H-scan 超音波權重反而高達 35% 以上，超越了傳統的剪力波與血流灌注數據。這份利用大鼠模型的多參數超音波研究證明，只要結合組織的散射、彈性與血流動力學，機器學習模型在區分正常與重度脂肪肝時，能達到 100% 的極高準確率，為取代侵入性肝臟切片提供了一個無輻射且全方位的影像解方。
評估非酒精性脂肪肝缺乏定量且客觀的影像
非酒精性脂肪肝疾病（NAFLD）的病程從單純的脂肪肝（steatosis）開始，可能進展為非酒精性脂肪肝炎（NASH）、纖維化，最終導致肝硬化甚至肝細胞癌（HCC）。在美國，此疾病已影響多達 8 千萬到 1 億人。早期識別出哪些患者從單純脂肪肝惡化為 NASH 至關重要，因為早期 NASH 患者有高達 40% 的機率在 8 年內惡化為嚴重肝纖維化。
目前臨床的黃金標準仍是侵入性的肝臟切片，但其伴隨取樣誤差、觀察者間差異及出血風險，且患者在追蹤期間的接受度極低。雖然核磁共振質子密度脂肪分量（MRI-PDFF）與核磁共振彈性造影（MRE）在定量脂肪與纖維化上表現優異，但設備昂貴且不易普及，難以作為藥廠開發新藥的大規模篩檢工具。傳統 B-mode 超音波雖然對中重度脂肪肝具備高敏感度（84.8%）與特異度（93.6%），卻過度仰賴醫師主觀的視覺判斷。為了解決這個困境，作者試圖開發一種定量的多參數超音波（mpUS）技術，並在 21 隻大鼠模型上進行為期 6 週的活體驗證，探討無創超音波能否精準捕捉脂肪肝的微觀變化。
| 實驗組別 | 動物數量 | 介入方式 | 超音波追蹤時程 |
|---|---|---|---|
| Control 控制組 | N = 9 隻 | 標準飼料 (Standard chow) | 第 0, 2, 6 週 |
| MCD 實驗組 | N = 12 隻 | 缺乏蛋氨酸與膽鹼飲食 | 第 0, 2, 6 週 |
MCD 飲食誘發之 NAFLD 活體模型
Figure 2 與 4 呈現的多參數超音波設計
研究團隊將 21 隻 Sprague–Dawley 大鼠分為對照組（9 隻，餵食標準飼料）與實驗組（12 隻，餵食缺乏蛋氨酸與膽鹼的 MCD 飲食以誘發脂肪肝）。在第 0、2、6 週，團隊分別擷取了三個維度的超音波物理量。首先是 SWE（測量組織軟硬度與黏滯性的超音波技術），透過 5.2 MHz 的推動脈衝在肝臟實質內產生剪力波。Figure 2 的影像清晰捕捉了剪力波的傳遞，健康組織的波速較快，而充斥脂肪的組織則會拖慢波速並增加能量的衰減。
第二個維度是 CEUS（打入微氣泡觀察微血管血流的超音波）。隨著脂肪肝進展，充滿脂肪的肝細胞會腫脹（ballooning）並擠壓肝竇（sinusoid），導致微血管血流減少高達 50%。透過尾靜脈注射微氣泡對比劑，團隊追蹤了下腔靜脈與肝實質的時序-強度曲線（TIC），計算出尖峰強化（PE）與洗入速率（WIR）作為血流體積與流速的替代指標。
第三個關鍵是 H-scan US（用數學濾波分析超音波回波頻率以分辨結構大小）。此技術將反射回來的訊號分為低頻（GH2，標示為紅色，代表較大結構）與高頻（GH8，標示為藍色，代表小於波長的微小結構）。隨著肝臟內瀰漫性微小脂肪空泡的累積，高頻散射訊號會增加。在 Figure 3 的 H-scan 疊加圖中，可以明顯看到 MCD 飲食的大鼠肝臟在第 6 週呈現大面積的藍色色調，反映了微觀脂肪病變的特徵。
Figure 5 與 6 的活體數據與組織學對照
把焦點拉到具體的測量數值。Figure 5 統整了所有多參數超音波的縱向變化。在第 0 週（基準線）與第 2 週時，兩組動物的各項超音波參數並沒有達到統計學上的顯著差異（第 2 週 P > 0.06）。然而，當疾病進展到第 6 週時，控制組與 MCD 組在所有 6 個超音波參數上皆呈現顯著分歧（P < 0.05）。
以第 6 週的具體數字為例，SWE 測量顯示 MCD 大鼠的剪力波速下降（1.36 m/s vs 控制組的 1.52 m/s），且剪力波衰減幅度增加（113.9 Np/m vs 94.8 Np/m）。CEUS 數據證實了 MCD 組的血流灌注顯著降低，PE 與 WIR 均呈現下滑。H-scan 的影像強度也出現顯著的藍移現象，證實了肝臟內部散射體體積縮小且密度增加。
為了驗證這些活體影像參數，作者在第 6 週將動物安樂死並進行組織學切片。Figure 6 的 H&E 與三色染色切片證實，MCD 組動物出現了嚴重的大空泡型脂肪肝，但幾乎沒有發炎反應或明顯的纖維化。經由影像二值化計算，MCD 組的平均脂肪比例高達 39.4 ± 1.3%，而控制組僅為 0.4 ± 0.1%（P < 0.001）。值得注意的是，控制組大鼠在 6 週內體重自然增加，其肝臟血管體積擴張使得 CEUS 的 PE 數值跟著上升；反觀 MCD 組大鼠，儘管肝臟滿佈脂肪，整體體重卻停滯不前。
| 評估指標 | 物理量單位 | 控制組 (Control) | 高脂組 (MCD) |
|---|---|---|---|
| 剪力波速 (SWE speed) | m/s | 1.52 | 1.36 |
| 剪力波衰減 (SWE atten.) | Np/m | 94.8 | 113.9 |
| 平均脂肪分量 (Histology) | % | 0.4 ± 0.1 | 39.4 ± 1.3 |
資料來源：Figure 5 與 Figure 6，控制組對比 MCD 組皆 P < 0.05
Figure 7 的機器學習分類與極致的準確率
為了解決多參數統合的難題，作者導入了機器學習。團隊先將 6 個參數進行 Z-score 標準化，接著使用 PCA（將多維度複雜數據降維以找出關鍵特徵的演算法）以及 SVM（尋找最佳決策邊界來分類資料的機器學習模型）來進行疾病分類。Figure 7 揭示了各項參數對分類模型的貢獻度，其中 H-scan 的影像特徵在主成分中貢獻比例最高，單一項目就超過了 35%。這歸功於肝臟內大量累積的脂肪沉積物對超音波高頻散射產生了極為敏銳的物理改變。
在 SVM 的二分類模型（區分第 0 週正常肝 vs 第 6 週重度脂肪肝）中，模型找到了完美的決策平面，將控制組與高脂肪組完全分離，訓練集準確率達到驚人的 100%，測試集也有 99%。然而，當挑戰升級到三分類模型（同時區分正常、第 2 週輕度脂肪肝、第 6 週重度脂肪肝）時，準確率出現了落差。如果只使用前三個主成分，準確率為 89%；若納入全部 6 個參數特徵，整體準確率回升至 92%（訓練集 93%、測試集 82%）。這個結果突顯了早期（第 2 週）輕度脂肪肝與正常肝臟在聲學特徵上仍有部分重疊，是未來演算法需要克服的重點。
二分類能完美區分正常與重度脂肪肝，三分類受限於早期特徵重疊
活體動物模型的侷限與超音波穿透力的臨床反思
儘管 mpUS 在大鼠模型上展現了絕佳的疾病監測潛力，作者在 Discussion 段落也坦承了幾項重要的限制。首先，MCD 飲食雖然是誘導脂肪肝的經典模型，但它無法完全重現人類從脂肪肝進展到 NASH 再到晚期纖維化的完整病程。本研究在第 6 週的切片中極少觀察到纖維化，因此 SWE 剪力波速的下降純粹是由於脂肪堆積造成的組織軟化，這與人類臨床上常見伴隨纖維化導致肝臟「變硬」的狀況有所不同。
其次，人類的 NAFLD 患者絕大多數伴隨肥胖與厚重的皮下脂肪，這在物理上會嚴重干擾高頻超音波的穿透力。本研究使用的高頻超音波（H-scan 為 15 MHz，CEUS 為 12.5 MHz）雖然在大鼠肝臟能清楚解析微觀散射，但在臨床肥胖病患身上，高頻訊號會被皮下脂肪極度衰減。未來的臨床轉換必須依賴進階的訊號處理演算法來補償深度衰減，並可能需要犧牲部分解析度改用較低頻的探頭。
對於放射科醫師而言，這篇研究拓展了我們對肝臟超音波的認知邊界。以往我們在脂肪肝的分期上，不是主觀看亮度，就是單純依賴彈性超音波看硬度。本研究證明，脂肪堆積造成的微血管壓迫（可用 CEUS 量化）以及細胞內微小脂肪泡造成的頻率散射改變（可用 H-scan 捕捉），是極具潛力的客觀生物標記。隨著超音波機台內建更豐富的頻譜分析工具，未來的 NAFLD 檢查將不再是單一指標的盲人摸象，而是結合軟硬度、血流與微觀散射的三維綜合評估。
下次評估脂肪肝病患時，別只顧著量測剪力波硬度；肝細胞腫脹導致的微血流下降，以及微小脂肪空泡引發的高頻回波藍移，才是未來精準預測早期肝病惡化的隱藏維度。