分享:
分享到微信朋友圈
X
综述
磁共振成像在评价2型糖尿病异位脂肪沉积中的新进展
赖军任 杨新官

Cite this article as: LAI J R, YANG X G. New progress in magnetic resonance imaging for evaluating ectopic fat deposition in type 2 diabetes mellitus[J]. Chin J Magn Reson Imaging, 2026, 17(3): 221-227.本文引用格式:赖军任, 杨新官. 磁共振成像在评价2型糖尿病异位脂肪沉积中的新进展[J]. 磁共振成像, 2026, 17(3): 221-227. DOI:10.12015/issn.1674-8034.2026.03.032.


[摘要] 2型糖尿病(type 2 diabetes mellitus, T2DM)已成为了全球性的重大公共卫生挑战。传统观念认为肥胖是T2DM的核心风险因素,但越来越多的证据表明,脂肪的分布模式,特别是内脏和关键代谢器官中的异位脂肪沉积(ectopic fat deposition, EFD),在T2DM的病理生理过程中扮演着更为关键的角色。磁共振成像(magnetic resonance imaging, MRI)及其相关的先进技术,如质子密度脂肪分数(proton density fat fraction, PDFF)和磁共振波谱(magnetic resonance spectroscopy, MRS),为无创、精确定量全身及特定器官的脂肪含量提供了强大的工具。尽管肥胖与T2DM的紧密关联已成共识,但传统的全身性肥胖指标难以揭示EFD的高度异质性及其器官特异性致病机制。目前的临床评估往往滞后于器官微观结构的损伤,缺乏对这些隐匿的脂肪库及其在治疗过程中动态变化的精准监测手段。本文旨在综述近年来利用MRI评价T2DM患者EFD的研究进展,重点阐述异位脂肪的分布模式与决定因素、MRI定量技术的发展、EFD在肝脏、胰腺、骨骼肌、心肾及中枢神经系统等器官引发的特异性病理生理改变,以及MRI在评估生活方式干预、药物治疗和减重手术等治疗措施效果中的应用价值,并对未来研究方向进行展望,以期为T2DM的早期精准分型与个体化诊疗方案提供影像学借鉴。
[Abstract] Type 2 diabetes mellitus (T2DM) has emerged as a significant global public health challenge. While obesity is traditionally considered a core risk factor, mounting evidence indicates that fat distribution patterns—specifically ectopic fat deposition (EFD) in visceral depots and key metabolic organs—play a more pivotal role in the pathophysiology of T2DM. Magnetic resonance imaging (MRI) and its advanced techniques, such as proton density fat fraction (PDFF) and magnetic resonance spectroscopy (MRS), provide powerful tools for the non-invasive and precise quantification of systemic and organ-specific fat content. Despite the established association between obesity and T2DM, traditional systemic obesity metrics fail to capture the high heterogeneity of EFD and its organ-specific pathogenic mechanisms. Current clinical assessments often lag behind microstructural organ damage and lack precise means to monitor these occult fat depots and their dynamic changes during treatment. To address this, this article reviews recent advances in using MRI to evaluate EFD in patients with T2DM. It focuses on fat distribution patterns, the evolution of quantitative MRI techniques, and the specific pathophysiological alterations induced by EFD in the liver, pancreas, skeletal muscle, heart, kidneys, and central nervous system. Furthermore, the review evaluates the clinical value of MRI in assessing the efficacy of therapeutic interventions, including lifestyle modifications, pharmacotherapy, and bariatric surgery. Finally, future research directions are discussed, with the aim of providing imaging-based references to support early precision subtyping and personalized management strategies for T2DM.
[关键词] 2型糖尿病;异位脂肪沉积;磁共振成像;胰岛素抵抗;质子密度脂肪分数
[Keywords] type 2 diabetes mellitus;ectopic fat deposition;magnetic resonance imaging;insulin resistance;proton density fat fraction

赖军任    杨新官 *  

桂林市人民医院放射科,桂林 541002

通信作者:杨新官,E-mail: yangxinguan821105@163.com

作者贡献声明::杨新官设计本研究,进行文献分析与内容归纳,对全文进行关键性修改;赖军任起草和撰写稿件,进行文献的收集、分析、整理;杨新官获得桂林市技术应用与推广计划项目资助;全体作者都同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


基金项目: 桂林市技术应用与推广计划项目 20220139-9-1
收稿日期:2025-11-10
接受日期:2026-02-03
中图分类号:R445.2  R587.1 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2026.03.032
本文引用格式:赖军任, 杨新官. 磁共振成像在评价2型糖尿病异位脂肪沉积中的新进展[J]. 磁共振成像, 2026, 17(3): 221-227. DOI:10.12015/issn.1674-8034.2026.03.032.

0 引言

       2型糖尿病(type 2 diabetes mellitus, T2DM)在全球范围内的疾病负担持续加重。数据显示全球糖尿病患者人数从1990年至2021年上升至5.29亿人,预计到2050年还将进一步攀升[1]。T2DM作为一种复杂代谢性疾病,其病理生理学特征涉及多基因机制和临床异质性[2]。虽然肥胖是该病公认的发病风险因素,但不是所有肥胖者都会发展为T2DM,部分体质量指数(body mass index, BMI)处于正常的个体同样也有可能患病。TAYLOR等[3]通过临床试验证实了个人脂肪阈值这一假说[4],该假说提出当个体皮下脂肪储存能力达到饱和后,多余的脂肪便会溢出并在非脂肪组织中沉积形成异位脂肪,进而引发胰岛素抵抗和β细胞功能障碍;该研究中BMI正常的T2DM患者通过平均减重8%,回落至其个人脂肪阈值以下,其中有70%的患者能够消除肝胰脂肪异位并实现疾病缓解,这是对这一假说的有力支撑。

       脂肪的解剖学分布对代谢风险的影响,远比脂肪总量更具决定性。AHMED等[5]基于磁共振成像(magnetic resonance imaging, MRI)的大规模遗传学研究识别调控特定脂肪库的基因位点,同时也证实遗传因素对于脂肪在不同部位的沉积具有特异性调节作用,且这种分布差异直接决定了疾病风险。因此精准评估肝脏、胰腺、骨骼肌及心脏等关键代谢器官中异位脂肪沉积(ectopic fat deposition, EFD)情况,对理解T2DM的发病机制、进行风险分层和评估治疗反应至关重要。MRI凭借其无辐射、高软组织对比度和多参数成像及精准定量的优势,已成为评估EFD的首选影像学方法。然而,目前关于EFD的研究多呈碎片化,常局限于单一器官的静态测量,缺乏对多器官代谢网络互动的系统性整合;且现有综述未能充分涵盖新型MRI技术在评估各种治疗手段后全身异位脂肪动态演变中的最新证据,仅限于单一器官的评估,如心外膜脂肪(epicardial adipose tissue, EAT)或肝脏脂肪变性[6, 7]。因此,本文旨在全景式综述MRI在T2DM异位脂肪沉积中的应用现状,深入分析不同干预手段下的影像学疗效差异,指出当前研究在微观解析与临床转化上的局限性,并提出未来向多模态、动态化发展的研究方向,以期为T2DM的早期精准分型与个体化诊疗策略提供坚实的影像学理论支撑。

1 T2DM发病风险与异位脂肪的分布模式和病理改变的关联

       T2DM发病与异位脂肪特定分布模式密切相关。MRI聚类分析指出异位脂肪的特定分布模式比总体肥胖指标更精准地预测风险,主要划分为四种集群:肝脏脂肪变性、胰腺脂肪变性、躯干肌性脂肪浸润和脂肪减少症。其中,肝脏脂肪变性模式风险最高[风险比(hazard ratio, HR)=4.02],胰腺次之(HR=3.38),提示肝脏胰岛素抵抗和β细胞功能障碍为主导机制[8]

       异位脂肪在其他脏器的沉积模式同样关键。LIN等[9]利用3D Dixon MRI技术研究发现,T2DM患者肾窦脂肪(renal sinus fat, RSF)体积显著增加[(15.4±7.5)cm3P<0.001],且与糖化血红蛋白水平与尿白蛋白/肌酐比值呈正相关,提示其在糖尿病肾病早期发病中的作用。在骨骼肌中,通过使用多回波Dixon MRI量化发现T2DM及前期患者的肌细胞内脂质(intramyocellular lipid, IMCL)和肌间脂肪组织(intermuscular adipose tissue, IMAT)均显著增高,且IMCL水平在调整年龄和性别后仍与T2DM显著相关(P<0.02)[10]

       此外,脂肪组织的病理状态也至关重要。一项针对南亚人群的研究发现,T2DM患者的脂肪组织表现为内脏脂肪细胞的肥大和皮下脂肪中促炎性巨噬细胞比例增加(M1/M2比值,P=0.006)。校正脂肪细胞大小后,区域脂肪总量与胰岛素抵抗的相关性消失,表明细胞功能障碍比单纯的脂肪堆积量更能解释代谢风险[11]。因此T2DM的异位脂肪分布是由特定器官模式和组织病理学共同决定的。

2 MRI技术如何测定EFD

2.1 定量原理与核心技术

       MRI为实现异位脂肪精准无创地定量提供多种前沿技术。基于化学位移的MRI技术,特别是质子密度脂肪分数(proton density fat fraction, PDFF),已经成为定量肝脏、胰腺和骨骼肌等实质器官脂肪含量的核心手段[12]。MRI-PDFF通过多回波梯度回波序列采集数据,并联合高级算法精确分离水和脂肪信号,计算出每个体素内的脂肪百分比[13]。IDILMAN等[12]对比了MRI-PDFF与肝活检病理结果,发现在非酒精性脂肪性肝病(nonalcoholic fatty liver disease, NAFLD)患者中,两者具有高度相关性(r=0.82),且PDFF诊断脂肪变性等级的曲线下面积(area under the curve, AUC)高达0.95,证明其可作为一种可靠替代方法来评估肝脏脂肪变性。氢质子磁共振波谱(hydrogen proton magnetic resonance spectroscopy, ¹H-MRS)仍然是IMCL的金标准,其独特的优势还在于能够在活体状态下精确区分IMCL与IMAT并基于碳键的化学位移进一步解析脂质的饱和与不饱和状态,从而揭示与胰岛素抵抗相关的微观代谢特征[14]

2.2 自动化分割与AI赋能

       在进行全身脂肪组织的分割和定量时,自动化处理是推进大规模流行病学研究的核心环节[15]。BORGA等[15]开发的AMRA Profiler系统通过快速MRI扫描即可实现腹部皮下与内脏脂肪的自动化定量,极大地提高了大样本研究的可行性。KÜSTNER等[16]提出了一种基于3D稠密连接卷积神经网络的算法,能够在不同场强和不同扫描序列下,实现对全身MRI图像中内脏脂肪组织和皮下脂肪组织的全自动分割,Dice系数高达0.94,处理时间仅需数秒。WANG等[17]也开发了基于U-Net的分割模型,该算法能够实现对3D全身MRI图像中内脏及皮下脂肪组织的全自动、标准化分割,处理速度快且精度高。MIMIR深度回归框架实现了超大规模队列数据的快速稳健评估[18],也利用人工智能技术在新生儿和幼儿等配合度较低的特殊人群中实现精准的自动化分割[19]

2.3 技术局限与挑战

       在应用这些先进技术时,必须清醒地认识到其固有的局限性。例如,肝脏严重铁过载会干扰PDFF准确性,T2*效应可能导致脂肪含量的低估[13]。MEZINCESCU等[14]研究指出,¹H-MRS虽然精准,但空间分辨率有限、扫描时间长且对磁场均匀性要求高,使其在临床大规模推广中面临挑战。同时,缺乏统一的扫描参数与后处理流程阻碍了多中心数据合并,是当前向标准化和大数据分析迈进的主要障碍[15]

3 MRI揭示的EFD与T2DM器官间的关联

3.1 肝脏与胰腺

       肝脏和胰腺是调节糖脂代谢的核心器官,其脂肪沉积与T2DM关系最为密切。一项10年前瞻性研究证实,胰腺脂肪是发生T2DM的独立危险因素(HR=1.81),其每增加1%,患病风险增加7%[20]。WEN等[21]利用IDEAL-IQ序列(一种MRI-PDFF技术)研究发现,胰腺脂肪浸润与β细胞功能下降(r=-0.436)和胰岛素抵抗(r=0.356)显著相关,表明其在代谢紊乱的早期阶段即已发挥作用。进一步的研究通过利用3D mDixon-Quant序列进行微观研究发现,小叶内脂肪的过度沉积才是T2DM发病的独立危险因素[比值比(odds ratio, OR)=1.566,P=0.006]。这一发现提示利用MRI区分脂肪的微观分布模式对于评估脂毒性至关重要(具体病理机制见表1[22]。ZHANG等[23]的研究进一步提供了相关病理证据,脂肪促使β细胞丧失成熟特征和分泌功能。

       在肝脏病理及肝胰互作方面,XIA等[24]确立了肝脏MRI-PDFF升高与NAFLD(OR=4.4)、肝癌(OR=4.5)的显著因果正相关,并指出T2DM导致了肝纤维化[25]。非靶向代谢组学结合MRI技术研究还发现血浆甘油酯类主要预测肝脏脂肪,而特定磷脂代谢物反映胰腺脂肪,为揭示不同器官脂肪沉积的特异性形成机制提供了新线索[37]

       综上,当前研究利用先进MRI技术实现肝胰脂肪的精准量化,确立异位脂肪在T2DM及肝脏病理进展中的因果地位。同时明确胰腺小叶内脂肪的独立致病性,并证实了肝脏MRI-PDFF是评估连接代谢紊乱与终末期肝病的关键介质。相比之下,其他器官虽有影像学关联证据,但缺乏类似多层次、多模态的机制验证体系。例如,目前尚无研究在肾脏或脑组织中复制小叶内脂肪级别的微观空间解析,也未建立脂肪分布模式与特定细胞功能障碍之间的直接因果路径。因此,未来方向应致力于结合高分辨MRI与多组学解析肝-胰轴的时序关系;同时将MRI-PDFF作为临床代谢干预的重要替代终点。

表1  MRI揭示的T2DM患者关键器官EFD特征及其病理生理机制
Tab. 1  MRI characterization of EFD in key organs and underlying pathophysiological mechanisms in T2DM

3.2 骨骼肌

       骨骼肌是胰岛素介导的葡萄糖摄取的主要场所,骨骼肌中的异位脂肪主要分为两种:IMCL和IMAT。通过利用1H-MRS技术,研究者证实耐力运动员与T2DM患者IMCL总量均较高,但前者的饱和脂肪酸比例显著更高(87.96% vs. 81.65%,P=0.000 4);与T2DM患者表现出的代谢停滞不同,耐力运动员的IMCL表现为以饱和脂肪酸为主的高周转动态池,这种快速氧化利用的特性解释了其为何能维持高胰岛素敏感性[14]。HOU等[38]利用定量Dixon序列和扩散张量成像技术发现合并胰岛素抵抗的患者竖脊肌IMCL显著沉积,该指标诊断胰岛素抵抗效能优异(AUC=0.838)。YU等[26]利用mDixon-Quant序列发现年轻男性T2DM患者中大腿IMAT含量显著增高(10.08% vs. 7.06%,P=0.03),指出过量IMAT削弱肌细胞葡萄糖处置能力。研究使用3.0 T全身MRI分析发现了肌肉脂肪代谢影响的性别二态性:女性的大腿肌肉脂肪含量与肌肉胰岛素敏感性指数呈显著负相关(β=-0.27,P=0.016),而在男性无此关联,提示需关注性别特异性的调控机制[27](骨骼肌MRI定量特征详见表1)。

       相较于肾脏与中枢神经部分,目前MRI技术已从单纯的肌肉脂肪总量量化,深入到区分IMAT与IMCL、解析脂质饱和度以及评估胰岛素抵抗特异性标志物的精细化阶段;也表明脂肪本身并非绝对致病,其代谢状态才是决定胰岛素敏感性的关键。这一观点具有重要范式意义,应被推广至心脏、肾脏乃至脑组织的研究中。然而常规MRI尚难在亚体素水平区分脂滴微观分布,且不同集群的代谢权重仍需统一。未来应聚焦于开发7.0 T超高场强MRS与扩散张量成像等功能成像的联合应用,以实现对肌肉微观结构损伤与脂质代谢动态的同步监测。

3.3 心脏与肾脏

       心肾EFD是驱动T2DM心血管及肾脏并发症的关键因素。MRI技术的发展使得对这些隐匿脂肪库的精准量化及功能影响评估成为可能。在心脏,统计分析显示,早在糖尿病前期EAT体积已显著增加(P=0.001),这种积聚与左心室充盈率下降呈现独立正相关,提示EAT是驱动早期心脏不良重塑的潜在源头[28]。YAN等[29]进一步采用特征追踪技术揭示:EAT体积与左心室纵向应变受损呈显著负相关(r=-0.332,P<0.001),且心肌能量效率降低介导了约29%的不利影响。EAT体积增加独立关联于心肌间质纤维化扩展(β=0.19,P=0.023)及室壁应力增加,支持其在糖尿病心肌病早期的核心作用[30]。此外,针对心肌细胞内的脂肪沉积损害心脏功能,即心肌脂肪变性,相关研究通过1H-MRS发现急性禁食导致心肌内甘油三酯激增(P<0.001),引发左心室舒张-收缩解耦联,阐明了心肌脂肪变性损害心脏功能的独特力学机制[31]

       在肾脏,EFD通过物理压迫和血流调节障碍损害肾功能。RSF堆积被发现与T2DM患者的糖化血红蛋白水平和多种代谢风险因素相关,3.0T MRI mDixon成像证实,RSF体积显著高于对照组,且与尿白蛋白/肌酐比值呈独立正相关(P=0.016)[9]。结合磁共振动脉自旋标记灌注技术与IDEAL-IQ序列首次揭示了脂肪-血流耦合机制;其中髓质血流量诊断糖尿病肾病的效能极高(AUC=0.971)[32]。此外,SHEN等[33]通过MRI-PDFF证实,高肾实质脂肪分数是T2DM患者发生慢性肾脏病的独立危险因素(OR=3.98)。值得注意的是,尽管该研究主要确立了统计学上的强关联,并未通过实验直接证实分子路径。

       MRI技术已证实心肾异位脂肪是导致器官功能障碍的活跃致病因素(心肾具体的病理生理改变总结于表1),且这种损害在糖尿病前期即已启动。当前研究确立了EAT的早期预警作用及肾脏脂肪-血流耦合机制。然而心脏部分的研究已进入脂肪-功能-能量代谢-纤维化的多维机制解析阶段,肾脏整体仍停留在影像-临床表型关联层面:缺乏类似心脏的功能参数与脂肪体积的直接因果验证。此外,与肝脏及胰腺现有的研究相比肾脏尚未建立有力的因果链条及肾实质脂肪的空间定位证据。未来应聚焦于纵向多模态MRI研究,探索干预EFD与RSF是否能逆转早期的心肾亚临床损伤。

3.4 中枢神经系统

       T2DM及EFD对中枢神经系统的影响是代谢影像学的新兴领域,MRI不仅能量化微结构损伤,更揭示了代谢紊乱对脑网络的重塑。基于MRI的大规模研究发现,内脏脂肪体积被证明是预测脑健康受损的关键生物标志物,其对全脑灰质、白质及海马萎缩的效能优于BMI[34]。MORAN等[39]进一步证实了此负相关并发现性别差异:男性内脏脂肪对脑结构的损害比女性更严重,提示其以性别特异性方式加速脑老化。LI等[35]利用MRI扫描与结构协方差网络分析发现,合并NAFLD的T2DM患者脑网络整合度显著降低,基底节区灰质体积随肝病进展呈线性减少。通过静息态功能磁共振研究得出,代谢异常改变了涉及抑制与奖赏的前额叶及脑岛功能架构,这种受损可能加剧饮食失控形成恶性循环[36]。GAVALI等[40]研究指出,伴有认知障碍的T2DM患者在MRI上表现出更显著的海马萎缩和白质高信号,且这些神经退行性改变与血糖控制不佳及病程延长独立相关。

       综上所述,MRI多模态成像已证实了内脏脂肪和NAFLD是脑老化加速的独立危险因素,并阐明了其对解剖结构与功能网络的双重破坏(脑影像学主要异常表现见表1)。但部分的研究目前仅停留在影像学关联,缺乏类似肝胰层面的分子病理与能量代谢机制,或肾脏的血流耦合机制的深入探索。未来应聚焦于纵向干预研究,探究靶向减少异位脂肪是否能逆转脑影像学异常,进而延缓糖尿病相关的认知衰退。还应借鉴外周器官的多模态研究策略,以揭示EFD对中枢神经的病理生理影响机制,同时加强与其他器官的跨器官整合,明确肝-脑轴在T2DM中的作用。

3.5 器官间的系统性联系

       尽管对各器官的独立分析是基础,但建立系统性视角更为关键。EFD并非孤立事件,而是经由代谢-炎症轴构成的全身病理网络。在此网络中,不同器官轴扮演着特定的协同角色:在肝-脑轴中,NAFLD被证实可驱动脑网络重构与基底节萎缩[35];在心-肝轴中,肝脏脂肪与EAT分别通过代谢途径与机械效应协同损害心脏[30]。由此勾勒出的 T2DM 病理图谱显示:内脏脂肪是启动多器官胰岛素抵抗的上游总开关,肝脏则是主导全身抵抗的核心枢纽,胰腺脂肪主要发挥局部脂毒性[25, 27]

       因此研究应致力于应用全身MRI与多组学技术,构建脂肪-器官交互的动态因果模型,以期精准识别并阻断多器官并发症的级联反应。

4 MRI在评估治疗干预效果中的作用

4.1 生活方式干预

       MRI是评估生活方式干预对异位脂肪影响的理想工具。LONDON等[41]利用1H-MRS 发现,短期低碳水化合物高脂肪饮食能在不改变体质量的前提下,仅4天就使肥胖男性肝脏甘油三酯大幅降低并改善胰岛素敏感性,证实了调整营养素构成可快速动员肝脏脂肪,为早期代谢干预提供了影像学依据。HEISKANEN等[42]通过结合1H-MRS研究表明,仅2周的运动训练即能显著降低T2DM及前期患者的胰腺脂肪并改善β细胞功能,MRI评估显示该变化与基线糖耐量无关。LIU等[43]针对中国T2DM患者的研究显示,通过低热量饮食减重后可有效诱导T2DM缓解,且与身体表型的重塑密切相关,进一步强调了通过干预减少体脂对于逆转病程的重要性。此外,生活方式干预不仅能减轻体质量,更能有效动员深层异位脂肪。WANG等[44]利用MRI和MRS技术评估生活方式的干预效果,发现内脏与肝脏脂肪的显著减少与β细胞功能恢复及糖尿病风险降低紧密相连。

       MRI及MRS技术不仅能灵敏捕捉短期饮食结构调整引起的肝脏脂肪快速变化,还能定量评估运动对深部脏器脂肪的特异性清除作用。结合长期临床缓解研究,影像学证据支持将异位脂肪的减少作为生活方式干预治疗T2DM的核心靶点(不同干预方式的脂肪清除效果对比见表2)。

表2  MRI在评估T2DM不同治疗干预措施对异位脂肪清除效果中的应用
Tab. 2  MRI assessment of ectopic fat clearance by different therapeutic interventions in T2DM

4.2 药物治疗

       在评估新型降糖药物对异位脂肪和代谢的益处方面,MRI发挥着关键作用。钠-葡萄糖偶联转运蛋白2抑制剂对脂肪的清除主要集中于腹部脏器,EMPACEF研究利用3.0T MRI发现,恩格列净治疗12周可显著降低肝脏脂肪及内脏脂肪[45]。但未改变脂肪体积及心肌能量代谢(P=0.57),提示其心血管获益可能通过减轻肝/内脏脂肪负荷而非心肌代谢改善。对于长效胰高血糖素样肽-1受体激动剂,ZHAO等[46]发现利拉鲁肽治疗3个月使EAT厚度显著下降(P<0.001),同步使体质量及糖化血红蛋白降低。更新的葡萄糖依赖性胰岛素和胰高血糖素样肽-1双重受体激动剂实现了更强效的全身性减脂。通过应用MRI自动化肌肉定量技术发现,替尔泊肽在大幅减重的同时,使大腿肌肉脂肪浸润减少0.36%(P<0.000 1),证实了其对肌肉质量的特异性保护[47]。此外,另一项利用MRI-PDFF的对比实验证实,伊菲诺普肽治疗24周后,肝脏脂肪降低72.7%,显著优于司美格鲁肽的42.3%(P<0.001),体现了胰高血糖素受体对肝脏脂代谢的强效驱动作用[52]

       MRI多模态技术已成为描绘药物脂肪动员谱的金标准(不同干预方式的脂肪清除效果对比见表2)。钠-葡萄糖偶联转运蛋白2抑制剂主攻肝脏与内脏,长效胰高血糖素样肽-1受体激动剂兼顾心脏,而多重激动剂则覆盖肝脏、肌肉等全身多部位。现有局限在于多数研究仅限于静息态测量,未来应结合动态MRI,深入探索异位脂肪减少与心血管硬终点改善之间的因果链条。

4.3 减重手术

       减重手术有效缓解肥胖与T2DM,MRI揭示了术后异位脂肪与体成分的动态变化。BAI等[50]利用mDixon-Quant序列发现袖状胃切除术后肝脏PDFF在首月下降最快(16.90%降至8.14%,P<0.001),显著早于内脏及皮下脂肪。SEEBERG等[48, 49]结合1.5 T MRI与增强型肝纤维化测试对比了胃旁路手术和袖状胃切除术两种术式,发现术后1年两者均使肝脏脂肪分数下降约20%(组间无差异),94%以上患者脂肪肝消除;但肝纤维化指标并未同步改善,揭示了脂肪变性逆转快于纤维化修复的时间差。MRI评估的脏器状态是预测代谢结局的重要窗口。OE等[51]利用MRI-PDFF和磁共振弹性成像发现,术后β细胞功能改善幅度与术前肝硬度(r=-0.49)及脂肪含量呈显著负相关,表明严重肝病限制代谢恢复。另一方面,LI等[53]发现体脂率的变化预测糖尿病缓解的准确性显著优于BMI(P<0.01),而基线去脂体质量指数是术后体脂率下降幅度的最强独立预测因子(P<0.001),也强调了肌肉储备的重要性。

       MRI多模态技术在减重手术评估中具有双重价值。一是疗效监测,明确了脂肪快速清除与纤维化改善滞后的时间差特征;二是风险分层,通过术前评估肝脏损伤程度及肌肉含量,识别出代谢获益可能受限的高危人群。未来的挑战在于开发能校正严重脂肪变性干扰的纤维化定量序列,并结合长期随访明确影像学改善。

5 小结与展望

       MRI将T2DM研究视野从全身肥胖引向器官特异性EFD,揭示了高度异质性的病理网络。现有证据明确了不同干预手段的独特脂肪动员谱,证实脂肪清除快于纤维化修复,确立了MRI作为疗效评估与缓解判定的金标准。尽管取得了显著进展,当前研究仍面临局限:一是评估维度的静态性,多数研究仅关注脂肪存量变化,缺乏对脂质周转及代谢流的动态监测;二是微观解析的不足,常规MRI难以同步量化伴随的炎症与纤维化;三是临床转化的壁垒,高昂成本与后处理复杂性限制了普及。为推动临床转化,未来应聚焦于以下四个战略方向:第一,从静态存量转向动态可塑性:超越基线含量评估,核心聚焦干预后的脂肪动员与清除效率。这种动态响应能力比基线存量更能敏感预测长期代谢健康。第二,构建一站式全景扫描方案:开发30 min内的快速全身MRI协议,同步定量多器官脂肪-炎症-纤维化,打破壁垒以提升并发症筛查效率。第三,突破临床转化瓶颈(AI赋能),利用AI解决MRI成本高、解读难的问题,通过自动化算法辅助生成报告,优化卫生经济效益。第四,深化“影像-组学”融合模型,结合多组学数据构建模型,识别异位脂肪谱高危个体,推动T2DM从对症治疗向精准预防转变。

[1]
GBD 2021 Diabetes Collaborators. Global, regional, and national burden of diabetes from 1990 to 2021, with projections of prevalence to 2050: a systematic analysis for the Global Burden of Disease Study 2021[J]. Lancet, 2023, 402(10397): 203-234. DOI: 10.1016/S0140-6736(23)01301-6.
[2]
SMITH K, DEUTSCH A J, MCGRAIL C, et al. Multi-ancestry polygenic mechanisms of type 2 diabetes elucidate disease processes and clinical heterogeneity[J/OL]. Res Sq, 2023: rs.3.rs-rs.3399145 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/37886436/. DOI: 10.21203/rs.3.rs-3399145/v1.
[3]
TAYLOR R, BARNES A C, HOLLINGSWORTH K G, et al. Aetiology of Type 2 diabetes in people with a 'normal' body mass index: testing the personal fat threshold hypothesis[J]. Clin Sci, 2023, 137(16): 1333-1346. DOI: 10.1042/CS20230586.
[4]
TAYLOR R, HOLMAN R R. Normal weight individuals who develop type 2 diabetes: the personal fat threshold[J]. Clin Sci, 2015, 128(7): 405-410. DOI: 10.1042/CS20140553.
[5]
AHMED A, CULE M, NAZ A, et al. MRI-based genetic studies reveal specific genetic variants and disease risks associated with fat distribution across anatomical sites[J/OL]. J Obes, 2025, 2025: 7792701 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/40922984/. DOI: 10.1155/jobe/7792701.
[6]
CHOI R, VEMURI J, POLOJU A, et al. Current and emerging treatments for metabolic associated steatotic liver disease and diabetes: a narrative review[J/OL]. Endocrines, 2025, 6(2): 27 [2025-11-10]. https://www.mdpi.com/2673-396X/6/2/27. DOI: 10.3390/endocrines6020027.
[7]
KOTHA S, PLEIN S, GREENWOOD J P, et al. Role of epicardial adipose tissue in diabetic cardiomyopathy through the lens of cardiovascular magnetic resonance imaging - a narrative review[J/OL]. Ther Adv Endocrinol Metab, 2024, 15: 20420188241229540 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/38476217/. DOI: 10.1177/20420188241229540.
[8]
YAMAZAKI H, TAUCHI S, MACHANN J, et al. Fat distribution patterns and future type 2 diabetes[J]. Diabetes, 2022, 71(9): 1937-1945. DOI: 10.2337/db22-0315.
[9]
LIN L, DEKKERS I A, HUANG L, et al. Renal sinus fat volume in type 2 diabetes mellitus is associated with glycated hemoglobin and metabolic risk factors[J/OL]. J Diabetes Complications, 2021, 35(9): 107973 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/34217586/. DOI: 10.1016/j.jdiacomp.2021.107973.
[10]
KIEFER L S, FABIAN J, ROSPLESZCZ S, et al. Distribution patterns of intramyocellular and extramyocellular fat by magnetic resonance imaging in subjects with diabetes, prediabetes and normoglycaemic controls[J]. Diabetes Obes Metab, 2021, 23(8): 1868-1878. DOI: 10.1111/dom.14413.
[11]
SAXENA A, SARAN S, CHOUDHARY P, et al. Adipose tissue quantity, distribution and pathology and its relationship with type-2 diabetes, insulin resistance and other clustering disease risk in South Asians: a cross-sectional study[J/OL]. Front Endocrinol, 2025, 16: 1622732 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/41030851/. DOI: 10.3389/fendo.2025.1622732.
[12]
IDILMAN I S, ANIKTAR H, IDILMAN R, et al. Hepatic steatosis: quantification by proton density fat fraction with MR imaging versus liver biopsy[J]. Radiology, 2013, 267(3): 767-775. DOI: 10.1148/radiol.13121360.
[13]
ZHONG X D, NICKEL M D, KANNENGIESSER S A R, et al. Liver fat quantification using a multi-step adaptive fitting approach with multi-echo GRE imaging[J]. Magn Reson Med, 2014, 72(5): 1353-1365. DOI: 10.1002/mrm.25054.
[14]
MEZINCESCU A M, RUDD A, CHEYNE L, et al. Comparison of intramyocellular lipid metabolism in patients with diabetes and male athletes[J/OL]. Nat Commun, 2024, 15(1): 3690 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/38750012/. DOI: 10.1038/s41467-024-47843-y.
[15]
BORGA M, THOMAS E L, ROMU T, et al. Validation of a fast method for quantification of intra-abdominal and subcutaneous adipose tissue for large-scale human studies[J]. NMR Biomed, 2015, 28(12): 1747-1753. DOI: 10.1002/nbm.3432.
[16]
KÜSTNER T, HEPP T, FISCHER M, et al. Fully automated and standardized segmentation of adipose tissue compartments via deep learning in 3D whole-body MRI of epidemiologic cohort studies[J/OL]. Radiol Artif Intell, 2020, 2(6): e200010 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/33937847/. DOI: 10.1148/ryai.2020200010.
[17]
WANG Z M, CHENG C L, PENG H, et al. Automatic segmentation of whole-body adipose tissue from magnetic resonance fat fraction images based on machine learning[J]. MAGMA, 2022, 35(2): 193-203. DOI: 10.1007/s10334-021-00958-5.
[18]
LANGNER T, MARTÍNEZ MORA A, STRAND R, et al. MIMIR: deep regression for automated analysis of UK biobank MRI scans[J/OL]. Radiol Artif Intell, 2022, 4(3): e210178 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/35652115/. DOI: 10.1148/ryai.210178.
[19]
KWAY Y M, THIRUMURUGAN K, TINT M T, et al. Automated segmentation of visceral, deep subcutaneous, and superficial subcutaneous adipose tissue volumes in MRI of neonates and young children[J/OL]. Radiol Artif Intell, 2021, 3(5): e200304 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/34617030/. DOI: 10.1148/ryai.2021200304.
[20]
CHAN T T, TSE Y K, LUI R N, et al. Fatty pancreas is independently associated with subsequent diabetes mellitus development: a 10-year prospective cohort study[J/OL]. Clin Gastroenterol Hepatol, 2022, 20(9): 2014-2022.e4 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/34571257/. DOI: 10.1016/j.cgh.2021.09.027.
[21]
WEN Y, CHEN C, KONG X C, et al. Pancreatic fat infiltration, β-cell function and insulin resistance: a study of the young patients with obesity[J/OL]. Diabetes Res Clin Pract, 2022, 187: 109860 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/35367311/. DOI: 10.1016/j.diabres.2022.109860.
[22]
WANG L H, LI Y H, LI R F, et al. Diverse associations between pancreatic intra-, inter-lobular fat and the development of type 2 diabetes in overweight or obese patients[J/OL]. Front Nutr, 2024, 11: 1421032 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/39021593/. DOI: 10.3389/fnut.2024.1421032.
[23]
ZHANG N, SUN Q M, ZHANG J X, et al. Intrapancreatic adipocytes and beta cell dedifferentiation in human type 2 diabetes[J]. Diabetologia, 2025, 68(6): 1242-1260. DOI: 10.1007/s00125-025-06392-9.
[24]
XIA T Y, DU M L, LI H Q, et al. Association between liver MRI proton density fat fraction and liver disease risk[J/OL]. Radiology, 2023, 309(1): e231007 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/37874242/. DOI: 10.1148/radiol.231007.
[25]
DENG M, LI Z, CHEN S Y, et al. Exploring the heterogeneity of hepatic and pancreatic fat deposition in obesity: implications for metabolic health[J/OL]. Front Endocrinol, 2024, 15: 1447750 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/39439559/. DOI: 10.3389/fendo.2024.1447750.
[26]
YU F Y, HE B, CHEN L, et al. Intermuscular fat content in young Chinese men with newly diagnosed type 2 diabetes: based on MR mDIXON-quant quantitative technique[J/OL]. Front Endocrinol, 2021, 12: 536018 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/33868161/. DOI: 10.3389/fendo.2021.536018.
[27]
TROUWBORST I, JARDON K M, GIJBELS A, et al. Body composition and body fat distribution in tissue-specific insulin resistance and in response to a 12-week isocaloric dietary macronutrient intervention[J/OL]. Nutr Metab, 2024, 21(1): 20 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/38594756/. DOI: 10.1186/s12986-024-00795-y.
[28]
HSU J, HUANG K C, LIN T T, et al. Association of epicardial adipose tissue with cardiac geometry alternation and diastolic dysfunction in the early stage of diabetic cardiomyopathy[J/OL]. Eur Heart J, 2024, 45(Supplement_1): ehae666.820 [2025-11-10]. https://academic.oup.com/eurheartj/article/45/Supplement_1/ehae666.820/7835460. DOI: 10.1093/eurheartj/ehae666.820.
[29]
YAN W F, WANG J, LI Y, et al. Epicardial adipose tissue volume is associated with impaired left ventricular strain in patients with metabolic syndrome: the mediating role of myocardial energetic efficiency[J/OL]. Cardiovasc Diabetol, 2025, 24(1): 325 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/40783739/. DOI: 10.1186/s12933-025-02859-6.
[30]
LEE V, HAN Y Y, TOH D F, et al. Differential association of abdominal, liver, and epicardial adiposity with anthropometry, diabetes, and cardiac remodeling in Asians[J/OL]. Front Endocrinol, 2024, 15: 1439691 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/39257902/. DOI: 10.3389/fendo.2024.1439691.
[31]
ONEGLIA A P, SZCZEPANIAK L S, JAFFERY M F, et al. Myocardial steatosis impairs left ventricular diastolic-systolic coupling in healthy humans[J]. J Physiol, 2023, 601(8): 1371-1382. DOI: 10.1113/JP284272.
[32]
LIU J, CHEN H Z, TIAN C, et al. Renal ectopic fat deposition and hemodynamics in type 2 diabetes mellitus assessment with magnetic resonance imaging[J/OL]. Insights Imaging, 2025, 16(1): 93 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/40287889/. DOI: 10.1186/s13244-025-01971-1.
[33]
SHEN Y, XIE L H, CHEN X J, et al. Renal fat fraction is significantly associated with the risk of chronic kidney disease in patients with type 2 diabetes[J/OL]. Front Endocrinol, 2022, 13: 995028 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/36246918/. DOI: 10.3389/fendo.2022.995028.
[34]
RAJI C A, MEYSAMI S, HASHEMI S, et al. Visceral and subcutaneous abdominal fat predict brain volume loss at midlife in 10, 001 individuals[J]. Aging Dis, 2024, 15(4): 1831-1842. DOI: 10.14336/AD.2023.0820.
[35]
LI X, ZHANG W, BI Y, et al. Non-alcoholic fatty liver disease is associated with structural covariance network reconfiguration in cognitively unimpaired adults with type 2 diabetes[J/OL]. Neuroscience, 2025, 568: 58-67 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/39824339/. DOI: 10.1016/j.neuroscience.2025.01.030.
[36]
WANG T T, JACKSON T, LOCK M, et al. Obesity-related alterations of intrinsic functional architecture: a resting-state fMRI study based on the human connectome project[J/OL]. Front Nutr, 2025, 12: 1559325 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/40510501/. DOI: 10.3389/fnut.2025.1559325.
[37]
WU Z E, FRASER K, KRUGER M C, et al. Untargeted metabolomics reveals plasma metabolites predictive of ectopic fat in pancreas and liver as assessed by magnetic resonance imaging: the TOFI_Asia study[J]. Int J Obes, 2021, 45(8): 1844-1854. DOI: 10.1038/s41366-021-00854-x.
[38]
HOU B W, RAN Z, LI Y T, et al. Magnetic resonance imaging derived biomarkers for the diagnosis of type 2 diabetes with insulin resistance: a pilot study[J/OL]. World J Diabetes, 2025, 16(9): 110183 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/40980292/. DOI: 10.4239/wjd.v16.i9.110183.
[39]
MORAN C, HERSON J, THAN S, et al. Interactions between age, sex and visceral adipose tissue on brain ageing[J]. Diabetes Obes Metab, 2024, 26(9): 3821-3829. DOI: 10.1111/dom.15727.
[40]
GAVALI A S, GHUGE B R, NARAWAD A G. Comparative Study of MRI Brain Changes in Type 2 Diabetic Patients with and without Cognitive Impair [J]. Eur J Cardiovasc Med, 2025, 15(11): 30-34. DOI: 10.61336/ejcm/25-11-07.
[41]
LONDON A, RICHTER M M, SJØBERG K A, et al. The impact of short-term eucaloric low- and high-carbohydrate diets on liver triacylglycerol content in males with overweight and obesity: a randomized crossover study[J]. Am J Clin Nutr, 2024, 120(2): 283-293. DOI: 10.1016/j.ajcnut.2024.06.006.
[42]
HEISKANEN M A, MOTIANI K K, MARI A, et al. Exercise training decreases pancreatic fat content and improves beta cell function regardless of baseline glucose tolerance: a randomised controlled trial[J]. Diabetologia, 2018, 61(8): 1817-1828. DOI: 10.1007/s00125-018-4627-x.
[43]
LIU Z X, FENG N N, WANG S J, et al. Low-calorie diets and remission of type 2 diabetes in Chinese: phenotypic changes and individual variability[J/OL]. Nutr J, 2025, 24(1): 42 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/40087696/. DOI: 10.1186/s12937-025-01101-z.
[44]
WANG Y Y, SANDFORTH A, JUMPERTZ-VON SCHWARTZENBERG R, et al. Lifestyle intervention is more effective in high 1-hour post-load glucose than in prediabetes for restoring β-cell function, reducing ectopic fat, and preventing type 2 diabetes[J/OL]. Metabolism, 2026, 174: 156430 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/41192753/. DOI: 10.1016/j.metabol.2025.156430.
[45]
GABORIT B, ANCEL P, ABDULLAH A E, et al. Effect of empagliflozin on ectopic fat stores and myocardial energetics in type 2 diabetes: the EMPACEF study[J/OL]. Cardiovasc Diabetol, 2021, 20(1): 57 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/33648515/. DOI: 10.1186/s12933-021-01237-2.
[46]
ZHAO N, WANG X Y, WANG Y B, et al. The effect of liraglutide on epicardial adipose tissue in type 2 diabetes[J/OL]. J Diabetes Res, 2021, 2021: 5578216 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/34825006/. DOI: 10.1155/2021/5578216.
[47]
SATTAR N, NEELAND I J, DAHLQVIST LEINHARD O, et al. Tirzepatide and muscle composition changes in people with type 2 diabetes (SURPASS-3 MRI): a post-hoc analysis of a randomised, open-label, parallel-group, phase 3 trial[J]. Lancet Diabetes Endocrinol, 2025, 13(6): 482-493. DOI: 10.1016/S2213-8587(25)00027-0.
[48]
SEEBERG K A, BORGERAAS H, HOFSØ D, et al. Gastric bypass versus sleeve gastrectomy in type 2 diabetes: effects on hepatic steatosis and fibrosis: a randomized controlled trial[J]. Ann Intern Med, 2022, 175(1): 74-83. DOI: 10.7326/M21-1962.
[49]
SEEBERG K A, HOFSØ D, BORGERAAS H, et al. Association between hepatic steatosis and fibrosis with measures of insulin sensitivity in patients with severe obesity and type 2 diabetes - a cross-sectional study[J/OL]. BMC Gastroenterol, 2022, 22(1): 448 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/36336684/. DOI: 10.1186/s12876-022-02550-0.
[50]
BAI J Q, WANG S T, PAN H, et al. Correlation analysis of dynamic changes of abdominal fat during rapid weight loss after bariatric surgery: a prospective magnetic resonance imaging study[J/OL]. Eur J Radiol, 2024, 178: 111630 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/39024662/. DOI: 10.1016/j.ejrad.2024.111630.
[51]
OE Y, NAKAMURA A, CHO K Y, et al. Impact of preoperative NAFLD status on restoration of pancreatic β-cell function after laparoscopic sleeve gastrectomy[J/OL]. Am J Physiol Endocrinol Metab, 2025, 328(6): E1013-E1020 [2025-11-10]. https://pubmed.ncbi.nlm.nih.gov/40376712/. DOI: 10.1152/ajpendo.00484.2024.
[52]
ROMERO-GÓMEZ M, LAWITZ E, SHANKAR R R, et al. A phase IIa active-comparator-controlled study to evaluate the efficacy and safety of efinopegdutide in patients with non-alcoholic fatty liver disease[J]. J Hepatol, 2023, 79(4): 888-897. DOI: 10.1016/j.jhep.2023.05.013.
[53]
LI S B, ZHANG P, DI J Z, et al. Associations of change in body fat percentage with baseline body composition and diabetes remission after bariatric surgery[J]. Obesity, 2024, 32(5): 871-887. DOI: 10.1002/oby.24003.

上一篇 深度学习联合影像组学在骨骼肌肉疾病的研究进展
下一篇 定量MRI技术在长跑人群下肢肌肉评估中的应用进展
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2