0 引言

       胎盘植入性疾病（placenta accreta spectrum, PAS）是胎盘绒毛异常侵入子宫肌层的一组疾病，根据胎盘绒毛滋养层细胞侵袭的深度分为粘连型、植入型和穿透性胎盘植入^[1]。其发病核心机制被认为是子宫内膜-肌层界面缺损，胎盘绒毛异常附着或侵入子宫肌层，最终导致分娩时胎盘无法正常剥离^[2]。多次剖宫产史、前置胎盘是PAS主要高危因素^[3]。超声（ultrasonography, US）作为PAS首选筛查手段，在胎盘位置特殊（如后壁胎盘）或肠气干扰时，对植入深度及宫旁侵犯的评估准确性显著受限。而磁共振成像（magnetic resonance imaging, MRI）凭借多序列成像、大视野及高软组织分辨率等优势，成为US诊断存疑时的重要补充，常规MRI序列产前诊断PAS的敏感度89%、特异度87%。但MRI费用高、耗时长且存在应用禁忌，无法替代US作为一线筛查工具。传统MRI虽能识别PAS，但对粘连型、植入型与穿透型的鉴别常依赖医师经验，主观性强，易导致分型误判，进而影响手术方案选择^{[4, 5, 6]}。这种一致性缺陷会带来明确的临床后果：低估侵袭深度易引发术中大出血，过度诊断则会导致不必要的子宫切除等过度医疗，严重影响母婴安全与临床医疗资源合理利用^[7]。综上，传统影像学检查的主观判读偏差已成为制约PAS精准诊疗的关键瓶颈，因此，临床迫切需要客观精准的PAS评估工具，以解决传统主观诊断的分型不准、风险预判偏差等诸多问题。MRI量化技术通过提取客观可重复的量化参数，在PAS评估中展现出独特优势；与传统定性MRI相比，该技术可有效消除观察者间主观偏差，捕捉肉眼无法识别的胎盘微观结构与功能改变，显著提升诊断、分型与预后预测的精准度，已成为当前研究的核心热点。

       本文通过计算机检索PubMed、Web of Science、中国知网、维普中文科技期刊数据库、万方数据知识服务平台、Embase等数据库，检索时间为2000年1月至2025年12月，英文检索词：“Placenta accreta spectrum” OR “PAS” OR “Placenta accreta” OR “Placenta increta” OR “Placenta percreta” AND “Magnetic resonance imaging” OR “MRI” OR “MRI quantification” OR “Radiomics” OR “Deep learning” OR “Diffusion-weighted imaging” OR “DWI” OR “Intravoxel incoherent motion” OR “IVIM” OR “Blood oxygen level dependent” OR “BOLD” OR “Ferumoxytol-enhanced MRI”，中文检索词：“胎盘植入性疾病”或“胎盘粘连”或“胎盘植入”或“胎盘穿透”或“磁共振成像”或“MRI”或“MRI量化”或“影像组学”或“深度学习”或“扩散加权成像”或“体素内不相干运动成像”或“血氧水平依赖成像”或“铁剂增强磁共振成像”。按照临床应用成熟度分层，依次梳理已临床验证落地的MRI评分系统、处于验证推广阶段的人工智能技术，以及前沿探索的功能MRI量化技术，同时兼顾三类技术交叉融合、互补应用的潜力，系统综述其在PAS诊断分型、预后预测中的应用现状，比较各类技术的证据质量与临床转化前景，以期为PAS精准诊疗体系的完善提供参考。

1 MRI评分系统在PAS中的量化研究

       MRI量化评分系统作为临床应用最成熟的MRI量化手段，属于基础标准化量化工具，通过整合临床危险因素与明确的MRI征象，以标准化赋值逻辑实现了PAS诊断与预后风险的可操作化量化，为临床提供了直观便捷的评估工具。PAS的发生与临床危险因素（如剖宫产史、前置胎盘）密切相关，将这些因素与MRI量化指标结合，构建定量评分表，是MRI量化技术临床转化的核心方向^[8]。夏建峰等^[9]构建的量化评分系统，遵循“影像征象-临床因素”整合思路，其联合诊断模型预测PAS的受试者工作特征（receiver operating characteristic, ROC）曲线下面积（area under the curve, AUC）达0.892，且两位医师判读一致性组内相关系数（intra-class correlation coefficient, ICC）>0.9，完全契合MRI量化技术临床转化的核心需求。

1.1 诊断与分型量化评分表

       诊断与分型评分表的核心是通过权重赋值，将复杂的PAS诊断转化为可计算的分值，实现分型标准化。朱晓曼团队构建的评分体系整合9项指标，按严重程度赋0~2分，非植入、粘连、植入、穿透组评分逐级升高，组间差异显著；以3.5分、7.5分为阈值区分不同亚型，各分型诊断AUC均>0.88^[8]。田媛媛等^[10]构建的产前US评分联合MRI诊断体系，结果显示其联合诊断准确度达91.30%，高于US评分（71.74%）和MRI单一诊断（67.39%），与朱晓曼评分表的诊断效能形成呼应，印证了这类整合型评分工具在不同检查组合场景中仍具备良好的临床应用价值。UENO等^[11]采用Likert 5分制，基于T2暗带、胎盘异常血管等6项MRI征象构建累积评分（cumulative rating score, CRS），诊断效能优于单项征象，观察者间一致性良好。但该系统未纳入临床危险因素，评分繁琐、学习曲线长、对基层医师操作门槛偏高，适合影像力量充足的三级医院精准评估，目前无法用于基层推广；朱晓曼评分表整合临床因素并简化为0~2分赋值，兼顾全面性与易用性，学习曲线短，更适合基层推广^[8]。LIU等^[12]通过Meta分析筛选核心MRI征象，建立并验证PAS侵袭程度评分模型，其预测整体PAS的AUC为0.90，预测穿透性PAS的AUC达0.92，可有效辅助高危PAS孕产妇的精准分层与临床管理。PAIN等^[13]联合US与MRI构建穿透型专项评分列线图，专门用于鉴别PAS中的粘连型、植入型与穿透型，该评分创新性整合US与MRI双模态关键指标，基于这些指标构建的预测列线图，预测效能稳定可靠，对应AUC分别达0.841和0.856，可为术前精准分型、手术预案制订提供专项量化支撑。临床可根据医疗机构级别、医师经验水平及评估需求，选择适配的评分系统，基层优先选择简化版、短学习曲线的评分表；三级医院可选用全面、学习曲线长的完整版评分系统。其中整合临床危险因素且赋值简化的评分表更适合广泛推广^[8]，联合US的评分体系可提升诊断准确度^[10]，基于Meta筛选核心影像征象的MRI评分模型、双模态联合列线图则分别适用于精准侵袭分级与个体化分型评估^{[12, 13]}。但评分工具仍存在短板，指标赋值阈值无统一规范，且部分工具缺乏临床因素、流程烦琐、适用范围受限，影响跨中心应用与诊断一致性。未来可通过多中心大样本研究，规范指标赋值，整合多模态检查与临床因素，优化评分工具，为PAS精准诊断与管理提供支撑。

1.2 并发症预测量化评分表

       并发症预测量表通过MRI征象与不良结局的关联评分识别高风险病例。BOURGIOTI等^[14]开展的前瞻性研究，针对孕晚期高危孕妇构建MRI并发症预测体系，MRI与术中/病理结果一致性优异（Kappa值>0.75），为评分可靠性提供保障。该体系筛选“胎盘内T2暗带”“子宫肌层中断”等核心征象，按阳性征象数量分层预测：≥3个提示复杂分娩风险升高，≥6个对术中大出血、子宫切除等严重母体不良结局预测效能显著（AUC均>0.95），但对新生儿不良结局无预测价值，临床需明确评估范畴。此外，现有量化评分体系可通过指标整合持续优化，ZOU等^[15]构建了PAS的MRI量化评分系统，明确了不同侵袭分型的量化分界阈值，同时证实评分与术中出血量呈显著正相关，四组出血量中位数从225 mL逐级升至3000 mL，为PAS术前分型与大出血并发症风险分层提供了量化支撑；SONG等^[16]基于临床与多模态影像数据，采用最小绝对收缩和选择算子回归构建产后出血（postpartum hemorrhage, PPH）预测列线图，融合MRI、US指标与临床高危因素，模型预测AUC达0.93，可实现PPH个体化术前量化预判；ZHANG等^[17]进一步证实术前MRI可有效预估PAS剖宫产术中出血量，明确核心MRI征象与术中失血量的关联，为术前出血风险评估、备血方案制订提供可靠循证依据。LU等^[18]进一步聚焦扩散MRI定量生物标志物，证实其可有效预测PAS不良母体结局，为传统MRI评分补充了微观量化指标，也完善了常规评分与功能MRI的融合体系。

       综上，PAS相关MRI预后评分体系，通过核心征象的标准化量化赋值与明确的风险阈值，实现对围产期严重并发症的精准量化预测，具有优异的临床应用价值。当前PAS的MRI评分系统已形成多元量化评估体系，覆盖诊断分型与并发症预测，提升了诊疗标准化。结合临床转化可行性，不同评分工具的适用场景与推广层级差异显著，且多数评分仍需进一步规范校准。同时目前研究仍存在单中心样本少、未考量MRI设备及影像医师差异等局限，导致评分结果的一致性与可重复性受限。未来需通过多中心大样本研究优化评分体系，同步融合功能MRI定量生物标志物与临床高危因素，探索多模态影像-人工智能技术融合模型，并完善新生儿预后量化评估维度，进一步提升评分体系的普适性与临床应用价值。

2 人工智能技术在PAS中的量化研究

       作为临床验证推广中的中级量化手段，人工智能技术是PAS量化研究核心，可挖掘MRI隐性特征，弥补传统评分系统主观、单一的短板，提升评估精准度。人工智能技术内部呈递进包含关系：传统影像组学以机器学习为基础，依赖人工干预完成特征提取与建模，可解释性强、落地便捷；深度学习作为影像组学的进阶技术，可自主完成高维特征挖掘与分类，替代人工筛选环节，效率更优；多维度融合模型则整合影像组学、深度学习与临床指标，兼顾可解释性与评估效能，是当前主流研究方向。三类技术层层递进、互补协同，构建起覆盖PAS诊断分型、风险分层的完整量化体系。

2.1 影像组学

       在诊断效能的循证验证方面，HUANG等^[19]的荟萃分析证实，MRI影像组学诊断PAS的敏感度（87%）、特异度（92%）及AUC（0.93）均体现高量化诊断价值，该研究还通过亚组分析对比分割策略的诊断效能，发现自动分割策略的诊断比值比（diagnostic odds ratio, DOR）显著高于手动分割，提示自动化量化能减少人为误差，提升量化结果一致性，这一结果为影像组学纳入PAS临床评估指南提供了关键循证依据。从基础特征挖掘来看，CHEN等^[20]通过T2WI纹理量化分析发现，PAS组与非PAS组的像素强度标准差、分型特征存在显著量化差异，说明纹理特征能够捕捉肉眼不可见的胎盘组织微观改变，为后续特征筛选与模型构建奠定了理论基础。在PAS分型鉴别的量化应用中，影像组学展现出精准区分病变严重程度的能力。ROMEO等^[21]基于T2WI纹理特征，采用k近邻算法构建模型，仅需26项关键特征即可实现前置胎盘合并PAS的精准鉴别，准确率达98.1%，提示纹理特征可特异性反映PAS特有的组织病理改变。REN等^[22]进一步通过T2WI多平面（冠状位+矢状位）量化特征融合，使分型模型AUC提升至0.98，显著优于影像科医生的定性视觉评估（AUC=0.75），证实多维度特征融合能够更全面捕捉胎盘植入的空间异质性，进一步优化分型诊断的效能。在预后风险量化与临床落地层面，影像组学已形成可直接指导临床的量化标准与量化工具。KÜKRER等^[23]通过MRI量化测量子宫上段（S1）、下段（S2）及宫颈管长度、扩张度，确定了预测围手术期子宫切除的临界值，对应的AUC介于0.82~0.87。同时该研究经单因素回归分析发现，新生儿孕周<34周时死亡风险较≥34周升高32倍（95% CI：4.2~250，P=0.001），为PAS患者的母婴风险分层提供了明确的量化依据。DO等^[24]则聚焦胎盘瘢痕这一高危区域，发现T2WI、表观扩散系数（apparent diffusion coefficient, ADC）与扩散加权成像（diffusion-weighted imaging, DWI）的组合模型，预测剖宫产子宫切除的AUC达0.80，且瘢痕邻近与远离区域的22项纹理特征存在显著差异（P<0.05），进一步从区域特征层面验证了影像组学的预后预测价值。

       为提升临床实用性，影像组学与临床特征的融合成为研究热点。YU等^[25]整合6项影像组学特征与胎盘-子宫肌层界面中断这一临床指标，构建的临床列线图在训练集与验证集的AUC分别为0.891、0.897，高于单独影像组学评分（0.803、0.780），实现了量化特征与临床信息的互补，为临床医生提供了更直观的决策工具。针对产前筛查需求，路涛等^[26]基于T2WI的双序列构建影像组学模型，双序列联合模型AUC提升至0.990，可有效实现PAS早期识别，为临床早期干预提供依据。针对穿透型PAS高危亚型，冯刘娟等^[27]基于多平面T2WI构建逻辑回归模型，联合模型训练集准确度91.1%、AUC为0.962，为临床区分高危亚型、制订个体化手术方案提供了可靠量化支撑。尽管影像组学研究取得显著进展，但存在核心悖论：单中心报道的高诊断效能，与整体方法学质量偏低形成鲜明矛盾，证据可靠性需谨慎解读。STANZIONE等^[28]通过影像组学质量评分（radiomics quality score, RQS）对10项PAS影像组学研究进行评估，发现中位RQS仅为8（满分36），多数研究存在特征稳定性测试缺失、数据开放性差及校准统计不足等问题，且MRI场强、序列参数不统一导致模型泛化能力受限，这些问题成为制约PAS量化评估临床转化的关键瓶颈。

       综上，PAS相关MRI影像组学以MRI多序列（T2WI、DWI等）为基础，提取量化特征结合算法建模，其诊断敏感度87%、特异度92%，分型及预后预测AUC最高0.98^{[19, 22]}，显著优于传统定性评估，可覆盖PAS全流程评估，为个体化诊疗提供客观依据。该技术量化精准、可有效降低主观偏倚，但受方法学质量限制，其临床真实价值仍需多中心、大样本、标准化研究验证，未来需规范研究流程、提升研究质量，再稳步推进临床转化。

2.2 深度学习

       深度学习的核心特点为端到端自主学习，无需人工进行特征筛选，依托神经网络算法从原始MRI影像中挖掘高维抽象特征，大幅提升量化效率，是解决传统影像组学流程烦琐、人工依赖度高的核心技术，也是当前PAS人工智能量化的主流方向。自动分割是PAS量化的基础，XUAN等^[29]利用U型网络（U-Net network, U-Net）实现胎盘组织的自动化分割，替代耗时的人工手动勾勒，且分割一致性达0.95以上，为后续量化特征提取提供稳定基础。模型构建方面，ZONG等^[30]针对多序列MRI开发量化模型，通过多序列的量化特征融合，使测试集AUC达0.879，且在数据量有限场景下，“从头训练的量化模型”验证集准确率（79.16%）优于依赖外部数据集的预训练模型（71.87%），证实小样本下量化模型的适配性。针对PAS高危合并症需求，寇秀梅等^[31]研究显示，基于T2WI的影像组学模型鉴别凶险性前置胎盘（pernicious placenta previa, PPP）合并穿透性胎盘植入时，AUC达0.948；联合胎盘厚度与宫颈管长度的临床-影像组学模型AUC更升至0.957，显著优于影像医师主观诊断（AUC=0.704），为复杂手术方案制订提供量化参考。邹锦莉等^[32]基于T2WI构建影像组学模型，实现PAS的产前精准分型。该模型对粘连型、植入型、穿透型PAS的鉴别效能突出，其中穿透型的测试集准确率达89.06%、敏感度100%，有效细化了病变严重程度的量化判断标准，为临床个体化治疗方案制订提供了精准依据。令潇等^[33]构建DenseNet-121深度学习模型联合临床危险因素诊断PAS，AUC达0.96，证实了深度学习在PAS量化评估中的核心作用。

       综上，深度学习技术通过自动化特征提取与多模态数据融合，显著提升了PAS诊断、分型及并发症预测的量化效率与精准度，为PAS的精准诊疗与个体化管理提供了强有力的技术支撑。

2.3 融合模型

       融合模型是当前PAS人工智能量化的前沿趋势，核心逻辑是结合深度学习高维特征挖掘能力与传统影像组学的可解释性，同时整合临床高危因素，弥补单一技术的短板，解决传统影像组学效率低、深度学习“黑箱”等问题，实现评估效能与临床实用性的双重提升。GUO等^[34]针对PAS诊断中单一评估方式的局限性，开展的三中心研究，对比发现基于支持向量机的影像组学-临床量化模型AUC（0.783~0.794）优于资深影像科医生的定性评估（0.623~0.635）及单纯MR征象的半定量评估（0.569~0.648）；而进一步融合医生诊断、MR表现与影像组学的集成模型，将AUC提升至0.823~0.867，充分证明多维度信息融合能有效降低单一评估的主观偏差与效能波动。ZOU等^[35]融合影像组学评分与临床指标，构建的量化模型预测PAS及PPH的测试集AUC分别达0.885、0.905，为风险分层提供量化依据；DeLong检验证实其效能优于单独临床模型或影像组学模型（P<0.05），实现了多维度信息的互补。YE等^[36]开展的多中心研究进一步证实，融合U-Net提取的深度学习特征与影像组学特征的联合模型，在验证集、测试集的AUC分别为0.872、0.857，且外部验证后校准曲线拟合优度良好；该研究还指出，深度学习擅长捕捉高维抽象特征，影像组学则保留可解释的量化指标，二者结合可望解决深度学习“黑箱”问题，提升临床信任度与应用可行性。上述研究充分印证，融合模型并非单一技术应用，而是多技术协同的进阶模式，既规避了传统影像组学人工依赖度高的问题，又破解了深度学习不可解释的痛点，更贴合临床实际应用需求。但该类模型目前仍处于多中心验证阶段，暂未实现大规模临床落地，需统一数据标准与建模流程后，方可推进临床转化，是未来的重点研究方向。

       综合而言，人工智能量化技术形成“影像组学-深度学习-融合模型”的递进包含体系，整体处于临床验证推广阶段；三类技术各有侧重，逐步从算法优化转向临床落地，其中影像组学、简易深度学习模型短期内临床转化可行性最高，融合模型仍需多中心大样本验证，未来5年内标准化影像组学模型联合轻量化深度学习工具最易率先落地基层临床，精准适配PAS产前筛查与风险分层需求，为个体化诊疗提供稳定客观的量化支撑。

3 功能MRI量化技术在PAS中的量化研究

       功能MRI量化技术属于前沿探索性量化手段，聚焦胎盘微观病理生理改变，可提供传统形态学、人工智能技术分析之外的功能学参数，这类参数既可独立用于PAS评估，也可纳入MRI评分系统作为赋值指标，或作为人工智能模型的核心特征，与前两类技术形成高度互补，进一步完善PAS全维度量化体系。功能MRI量化技术通过捕捉胎盘组织微观结构、血流灌注及氧合功能的特征性改变，将PAS的病理生理异常转化为可量化的影像学参数，为PAS的精准诊断、病情分级及手术风险预测提供了客观依据，已成为PAS产前评估的重要技术体系。其核心价值在于依托客观量化参数，规避传统主观评估偏差，弥补现有量化技术的评估短板，全面提升PAS诊疗评估的精准度与客观性。

3.1 扩散成像

       弥散腔隙是DWI诊断PAS的新型特征性征象，具有较高诊断价值。IRAHA等^[37]将其定义为DWI上的低信号区域，回顾性分析49例疑似PAS孕妇MRI资料发现，PAS组弥散腔隙数量、最大径均高于非PAS组（P<0.001），临界值分别为≥5个、≥17 mm，二者联合诊断敏感度83%、特异度94%，可作为PAS诊断的可靠量化影像学依据。IVIM技术进一步拆解真性扩散系数（D值）、伪扩散系数（D^*值）及灌注分数（f值），BAO等^[38]的前瞻性研究证实，PAS胎盘的f值与D^*值显著高于正常胎盘，植入区域的f值、D^*值亦明显高于非植入区域，但D值在各组间无显著差异。其中f值预测PAS的AUC达0.93，展现优异诊断效能。扩散峰度成像（diffusion kurtosis imaging, DKI）通过平均扩散峰度（mean kurtosis, MK）量化组织异质性，LU等^[39]对109例高危PAS患者的研究发现，发生PPH的胎盘MK值低于未发生PPH的胎盘，且与术中出血量呈负相关。不同胎盘位置的PAS在扩散参数上呈现特异性差异，为个体化诊断提供支撑。LU等^[40]的研究表明，D值是预测后壁PAS的有效参数，D^*值更适用于前壁PAS诊断；将这些参数与T2低信号带、胎盘内异常血管分布等MRI形态学特征结合后，后壁与前壁PAS诊断AUC均显著提升，提高了不同位置PAS的诊断信心，为产前精准评估提供依据。针对胎盘穿透型植入这一严重亚型，LI等^[41]的研究显示，D^*值与局灶外生肿块联合诊断的AUC达0.880，为其鉴别提供量化工具。功能MRI量化参数还可有效预测PAS相关不良结局，为临床干预提供参考。LEÓN等^[42]在试点研究中发现，PAS患者的f值高于健康对照组，提示该参数可通过反映胎盘异常血管增生，辅助预测大出血风险。CAPUANI等^[43]对正常妊娠胎盘的研究为PAS量化提供生理参照，发现孕30周后外周胎盘ADC值随孕周增加而降低，中央区域f值随孕周升高，为区分PAS病理改变与正常妊娠生理变化提供基线标准。此外，LU等^[44]通过对比不同扩散模型参数发现，IVIM中的D值均值（Dmean）与D值最大值（Dmax）是鉴别PAS的独立风险因素，二者联合诊断的AUC达0.93，进一步证实多参数联合在PAS量化诊断中的优势。HOROWITZ等^[45]的研究也指出，DWI在评估胎盘-肌层界面异常方面具有优势，可辅助识别PAS相关的肌层中断征象，为PAS量化评估补充形态-功能结合的视角。

       综上，DWI、IVIM、DKI等扩散成像参数弥补了常规MRI主观评估短板，可精准诊断PAS、鉴别高危亚型，定量评估病情并预测不良结局，为临床术前风险分层提供量化依据。但目前研究存在单中心样本少、参数阈值不统一、设备间结果可比性差等问题。未来需将其参数与常规MRI征象、临床高危因素融合，纳入标准化评分体系，结合人工智能优化判读，通过多中心研究校准阈值，推动临床转化，完善PAS精准诊疗体系。

3.2 血氧水平依赖成像

       血氧水平依赖（blood oxygen level dependent, BOLD）成像是评估胎盘氧合功能的无创功能MRI技术，其原理为利用脱氧血红蛋白与氧合血红蛋白的磁敏感性差异，通过信号增值百分比（△BOLD%）等量化指标，直接反映胎盘氧合储备与血流灌注状态，为PAS功能学诊断提供支撑^[46]。在正常胎盘研究中，量化参数已明确其生理特征，庞颖等^[47]证实，母体高氧状态下正常胎盘胎儿侧△BOLD%远高于母体侧，这一量化差异与胎儿侧绒毛血管密集、氧合储备潜力更高的解剖特点直接相关。MAGAWA等^[48]发现正常晚孕期胎盘吸氧后信号峰值（△R2^*）稳定在（7.99±2.58）s^-1，达峰时间为（458.1±73.9）s，且峰值与新生儿出生体重呈中等正相关（r=0.537），为病理胎盘的量化评估提供了精准生理基线。针对PAS的量化评估，BOLD成像展现出明确诊断价值：包雨微等^[46]研究显示，植入胎盘整体△BOLD%高于正常胎盘，且其胎儿侧与子宫侧△BOLD%均高于正常胎盘对应部位，各部位量化差异均具有统计学意义（P<0.01）。更关键的是，PAS胎盘仍保持“胎儿侧△BOLD%高于子宫侧”的正常分布模式，这一量化规律表明其绒毛核心氧合功能未受损，为临床无需对PAS病例常规供氧干预提供了量化依据。BOLD成像的优势在于量化参数的临床实用性：通过△BOLD%、△R2^*等指标，可直接捕捉PAS血管重塑对氧合功能的影响，避免形态学评估的主观偏差；且短扫描协议下的量化结果稳定性高，孕妇耐受性提升，更适合临床推广^[48]。不过，其量化结果仍受干扰，如磁场均匀性、母体去氧血红蛋白浓度等因素会影响信号稳定性，需通过归一化处理确保量化可靠性^{[46, 47]}；同时目前缺乏不同侵袭深度PAS的量化参数阈值，难以通过BOLD指标直接区分病情严重程度。整体来看，BOLD成像在PAS临床评估中的适用范围明确，可作为PAS功能学诊断的补充手段，适用于胎盘氧合储备与血流灌注状态的无创评估，尤其可通过量化指标为PAS病例是否需常规供氧干预提供决策依据，同时适用于PAS高危人群的孕期监测，未来需攻克信号稳定性、量化阈值缺失等问题，才能更好落地临床个体化诊疗。

3.3 Ferumoxytol增强MRI

       Ferumoxytol增强MRI以超顺磁性氧化铁纳米颗粒制剂Ferumoxytol为核心对比剂，凭借超顺磁性与生物相容性优势，成为胎盘结构显影、灌注量化评估及PAS诊断的创新技术，为PAS精准评估提供量化依据^{[49, 50, 51]}。Ferumoxytol具备双相成像作用机制，且时相应用场景明确：早期（<1小时）主要分布于血管腔，作为血池对比剂仅停留于血管内，T1WI呈高信号，适用于胎盘血管成像；延迟期（24小时）可被胎盘巨噬细胞等机体网状内皮系统靶向摄取，除延迟显像外，还可用于胎盘炎症或感染评估。其弛豫效应兼具双向对比特性：一方面可缩短T1弛豫时间，在T1WI序列呈现正性对比效应，多用于血管显影；另一方面更易诱发局部磁场不均，显著缩短T2/T2^*弛豫时间，在T2WI/T2^*WI序列呈现信号减低的负性对比效应，这也是胎盘靶向成像的核心机制。且对比剂表面包覆羧甲基右旋糖酐涂层，可延长血管内循环半衰期，适合延迟成像与多次扫描，契合胎盘影像学评估的临床需求^[50]。在临床应用中，Ferumoxytol增强MRI的量化价值与特异性表现尤为突出。该技术依托后处理技术实现精准显像：最大密度投影（maximum intensity projection, MIP）用于提取高信号血管结构，最小密度投影（minimum intensity projection, MinIP）则突出低信号区域，二者联用可特异性强化母体血液信号，清晰勾勒绒毛间隙、子宫肌层血管，同时让胎儿血管呈低信号与母体血管精准区分；复合MIP/MinIP图像还能直观呈现胎盘小叶特征性“三环结构”，测量尺寸与病理切片结果高度吻合^[49]。该技术针对PAS识别出10类结构异常，其中胎盘小叶局灶性扩张、绒毛树移位受压、小叶排列紊乱、基底膜膨隆、跨胎盘干细胞绒毛5项量化表现具统计学意义（P<0.05），仅见于PAS病例，且与PAS血流异常及锚定绒毛损伤直接相关^[51]。同时，观察者间对这些特征识别一致性良好（Kappa值0.4~1.0），胎盘小叶扩张、绒毛树移位等核心特征Kappa值达1.0，诊断可信度极高^[51]。灌注评估上，其动态增强序列可通过时间-信号强度曲线计算血容量、血流量等参数，已在恒河猴模型中检测出病理状态下的胎盘灌注显著变化，为PAS血管重塑评估提供量化工具^[50]。相较于临床常用的钆对比剂，Ferumoxytol虽在安全上更适配妊娠期需求，因其作为美国食品药品监督管理局（Food and Drug Administration, FDA）批准的缺铁性贫血治疗药物，成像常规剂量远低于治疗剂量，同时铁可参与母体造血代谢，既不破坏母体铁平衡，还能为妊娠期缺铁孕妇补充铁元素，减少胎儿发育迟缓等不良结局^[50]。但Ferumoxytol的FDA妊娠期安全性分类为C级，且需静脉注射给药，临床使用率远低于钆剂，其推广还受医师临床熟悉度低、缺乏标准化扫描协议、成本效益比尚未明确等因素制约，因此该技术目前仍处于研究阶段。

       总之，Ferumoxytol增强MRI成功解决了孕期PAS增强评估的安全性难题，依托双相成像机制与双向对比效应，通过多维度量化参数实现胎盘结构、血流灌注及邻近组织侵犯的精准评估，为PAS术前分期、个体化手术方案制订提供了关键影像学支撑，是极具发展潜力的创新技术。

4 总结与展望

       MRI量化技术已形成按临床成熟度分层、多技术交叉融合的PAS全流程评估体系，彻底推动PAS影像学评估从主观定性转向客观定量，与US形成高效互补协同，三类技术并非孤立互斥，而是层层递进、优势互补。其中，MRI评分系统作为已临床落地的基础量化手段，适配基层推广及个体化风险评估，可作为融合框架整合其他两类技术参数；人工智能技术作为验证中的中级量化手段，适用于多中心标准化评估及高危亚型鉴别，能高效整合多模态数据实现一体化高效量化；功能MRI作为前沿探索的高级量化手段，可补充微观功能评估短板，扩散成像适配不同位置PAS鉴别与出血预测，BOLD成像用于胎盘氧合无创评估，Ferumoxytol增强MRI解决孕期安全增强显影需求。

       当前技术仍存在共性局限：多为单中心小样本研究，模型泛化能力不足；设备与扫描参数不统一，影响结果一致性；部分技术可解释性差，缺乏统一量化阈值；新生儿预后评估体系不完善，制约临床转化。未来需紧扣临床需求，以“多技术融合”为核心方向，推进多中心标准化与数据库建设，深化MRI评分系统、人工智能、功能MRI的交叉融合研究，同时优化模型可解释性、完善孕期动态监测方案，加速量化工具的临床转化与预后评估维度完善。随着量化技术的标准化与融合化发展，MRI量化评估将成为PAS精准诊疗核心工具，最终实现“早诊断、早干预、改善母婴结局”的核心目标。