分享:
分享到微信朋友圈
X
• 临床研究 •
基于DWI的虚拟磁共振弹性成像联合磁共振严重程度指数对急性胰腺炎的早期危险分层预测价值
宋学亮 陈宇驰 熊园 邓萍 郑煜琳 金铭 张小明 李兴辉

本文引用格式 宋学亮, 陈宇驰, 熊园, 等. 基于DWI的虚拟磁共振弹性成像联合磁共振严重程度指数对急性胰腺炎的早期危险分层预测价值[J]. 磁共振成像, 2026, 17(11): 91-98, 137. DOI:10.12015/issn.1674-8034.2026.11.011.


[摘要] 目的 探讨基于扩散加权成像(diffusion-weighted imaging, DWI)的虚拟磁共振弹性成像(virtual magnetic resonance elastography, vMRE)参数虚拟剪切模量(μDiff)联合磁共振严重程度指数(magnetic resonance severity index, MRSI)在早期急性胰腺炎(acute pancreatitis, AP)风险分层中的应用价值。材料与方法 本研究为单中心回顾性病例对照研究。纳入2024年8月至2025年12月在本院确诊并完成腹部MRI检查的AP患者140例,根据2012年修订Atlanta分类分为轻症AP组99例和中重症AP组41例,另纳入同期健康对照者(healthy controls, HC)38例。通过3.0 T磁共振系统采集的b=200、1500 s/mm2 DWI图像后处理获取胰腺实质μDiff。三组连续变量比较采用Kruskal-Wallis检验,μDiff两两比较采用Bonferroni校正的Mann-Whitney U检验。采用单因素及多因素logistic回归分析评估相关因素,并构建μDiff联合MRSI模型。以受试者工作特征(receiver operating characteristic, ROC)曲线及曲线下面积(area under the curve, AUC)评价区分效能,采用DeLong检验比较AUC,采用决策曲线分析(decision curve analysis, DCA)和校准曲线分别评价潜在临床净获益及预测概率与观察结局的一致性。结果 μDiff值在HC组、轻症AP组及中重症AP组间依次升高,组间差异均有统计学意义(均P<0.05)。logistic回归分析显示μDiff与MRSI均是中重症AP的独立预测因子。DeLong检验分析显示,基于两者的联合预测模型区分效能优于单一μDiff、MRSI模型(P<0.05)。联合模型预测中重症AP的AUC为0.977(95% CI:0.957~0.997)。模型的准确率、敏感度、特异度、阳性预测值和阴性预测值分别为94.29%、92.68%、94.95%、88.37%和96.91%。DCA显示,在较宽阈值概率范围内,联合模型具有较高临床净获益。结论 基于DWI的vMRE参数μDiff可提供与AP严重程度相关的扩散衍生定量力学信息,联合MRSI可提高本研究队列中中重症AP的识别效能,有望成为临床早期风险分层和个体化方案制订的无创定量影像学工具。
[Abstract] Objective To investigate the value of the virtual shear modulus (μDiff), a parameter derived from diffusion-weighted imaging (DWI)-based virtual magnetic resonance elastography (vMRE), combined with the magnetic resonance severity index (MRSI) for early risk stratification of acute pancreatitis (AP).Materials and Methods This was a single-center retrospective diagnostic study. A total of 140 patients with confirmed AP who underwent abdominal MRI at our institution between August 2024 and December 2025 were included. According to the 2012 revised Atlanta classification, 99 patients were classified as having mild acute pancreatitis (MAP) and 41 as having moderately severe or severe acute pancreatitis (MSAP/SAP). In addition, 38 healthy controls (HCs) were enrolled during the same period. DWI images acquired on a 3.0 T MRI system at b values of 200 and 1500 s/mm2 were postprocessed to obtain μDiff of the pancreatic parenchyma. Continuous variables among the three groups were compared using the Kruskal-Wallis test, and pairwise comparisons of μDiff were performed using the Mann-Whitney U test with Bonferroni correction. Univariable and multivariable logistic regression analyses were performed to evaluate associated factors, and a combined model incorporating μDiff and the MRSI was constructed. Discriminative performance was evaluated using receiver operating characteristic (ROC) curves and the area under the curve (AUC), with AUCs compared using the DeLong test. Decision curve analysis (DCA) and calibration curve were performed to assess potential clinical net benefit and agreement between predicted probabilities and observed outcomes, respectively.Results μDiff progressively increased across the HC, MAP, and MSAP/SAP groups, with statistically significant differences in all pairwise comparisons (all P < 0.05). Logistic regression analysis showed that both μDiff and MRSI were independent predictors of MSAP/SAP. The DeLong test showed that the combined model based on μDiff and MRSI had significantly better discriminative performance than either the μDiff-only or MRSI-only model (P < 0.05). The combined model achieved an AUC of 0.977 (95% CI: 0.957 to 0.997) for identifying MSAP/SAP. Its accuracy, sensitivity, specificity, positive predictive value, and negative predictive value were 94.29%, 92.68%, 94.95%, 88.37%, and 96.91%, respectively. DCA showed that the combined model provided a relatively high clinical net benefit across a broad range of threshold probabilities.Conclusions The DWI-based vMRE parameter μDiff provides diffusion-derived quantitative mechanical information associated with AP severity. The combination of μDiff and MRSI improved the identification of MSAP/SAP in the present cohort and may serve as a noninvasive quantitative imaging approach for early clinical risk stratification and individualized management planning.
[关键词] 急性胰腺炎;磁共振成像;磁共振弹性成像;磁共振严重程度指数;扩散加权成像;无创诊断;风险预测
[Keywords] acute pancreatitis;magnetic resonance imaging;magnetic resonance elastography;magnetic resonance severity index;diffusion-weighted imaging;noninvasive diagnosis;risk prediction

宋学亮 1, 2   陈宇驰 3   熊园 1, 2   邓萍 1, 2   郑煜琳 1   金铭 1   张小明 1, 2   李兴辉 1, 2*  

1 川北医学院附属医院放射科,南充 637000

2 医学影像四川省重点实验室,南充 637000

3 川北医学院附属医院检验科,南充 637000

通信作者:李兴辉,E-mail: Lixinghui1005@126.com

作者贡献声明:李兴辉设计本研究方案,组织研究实施,对稿件的重要学术内容进行修改,获得四川省自然科学基金(重点、面上)项目、四川省卫生健康委员会青年苗圃项目、川北医学院附属医院科研发展计划项目资助。宋学亮起草和撰写论文初稿,负责本研究数据的获取、整理与统计分析,并参与结果解释;陈宇驰、熊园、邓萍、郑煜琳、金铭、张小明参与本研究的数据获取、分析或结果解释,对稿件的重要内容进行了修改和完善;张小明获得国家自然科学基金面上项目的资助;全体作者均已阅读并同意提交的最终稿,均同意对本研究的所有方面负责,保证研究的真实性、准确性和完整性。


基金项目: 国家自然科学基金面上项目 82371961 四川省自然科学基金(重点、面上)项目 2026YFTX0035 四川省卫生健康委员会青年苗圃项目 24QNMP062 川北医学院附属医院科研发展计划项目 BS20211116
收稿日期:2026-07-24
接受日期:2026-10-21
中图分类号:R445.2  R576 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2026.11.011
本文引用格式 宋学亮, 陈宇驰, 熊园, 等. 基于DWI的虚拟磁共振弹性成像联合磁共振严重程度指数对急性胰腺炎的早期危险分层预测价值[J]. 磁共振成像, 2026, 17(11): 91-98, 137. DOI:10.12015/issn.1674-8034.2026.11.011.

0 引言

       急性胰腺炎(acute pancreatitis, AP)是常见的消化系统急症之一,其病情进展迅速且预后异质性大[1]。依据2012年修订的Atlanta分类[2],AP可分为轻症、中度重症和重症;多数患者病程自限,但重症AP(severe AP, SAP)可并发持续性器官衰竭。因此,早期识别中度重症及重症AP患者,对医疗资源合理分配、制订个体化液体复苏策略具有重要临床指导意义[1, 3, 4]。目前,急性生理与慢性健康评分Ⅱ[5](Acute Physiology and Chronic Health Evaluation Ⅱ, APACHE Ⅱ)和AP严重程度床旁指数(bedside index for deverity in AP, BISAP)[6]等临床评分虽可用于AP患者整体风险评估,但其指标主要来源于全身生理紊乱和实验室参数,缺乏胰腺局部组织损伤信息。另一方面,CT、MRI以及超声在AP局部并发症的评估中发挥重要作用[7, 8],MRI能够评价胰腺实质及胰周病变,为AP严重程度评估提供局部影像信息。磁共振严重程度指数(magnetic resonance severity index, MRSI)在清晰显示胰腺实质坏死范围、区分胰周液体积聚以及预测局部并发症方面具有较好的解剖学优势,其评分高低与患者的住院时间及全身器官衰竭密切相关[9]。但MRSI主要反映宏观形态损伤,对胰腺实质微观结构变化的定量表征有限[10]。近年来,定量MRI逐步用于AP评估,例如T2 mapping参数与炎症负荷及部分临床严重程度指标相关,提示在形态学评分之外引入定量信息具有研究价值[11]。近年来,磁共振弹性成像(magnetic resonance elastography, MRE)因能定量评估组织硬度及黏弹性力学特征,逐渐在肝脏纤维化等[12, 13, 14]领域开展研究,但因其技术实现需要额外的外部机械振动装置等因素限制了其临床推广[15]。与MRE呈线性相关的虚拟磁共振弹性成像(virtual magnetic resonance elastography, vMRE)是一种基于扩散加权成像(diffusion-weighted imaging, DWI)后处理的定量方法,无需机械激励装置。已在肝脏、乳腺、肺部、宫颈癌淋巴结转移[16]等器官中显示出一定可行性[17, 18, 19]。胰腺相关研究亦提示,MRE或扩散衍生的vMRE参数有望反映胰腺组织的力学特征[20, 21, 22]。然而,现有关于AP早期严重程度分层的研究仍多局限于单一的形态学评分或常规功能MRI参数,尽管vMRE在定量评估组织力学特征中展现出独特优势,但其在AP早期风险预测中的临床价值尚未得到充分阐明,其与传统解剖形态指标的协同互补效应亦鲜有报道。鉴于此,本研究旨在探讨DWI衍生的vMRE参数虚拟剪切模量(μDiff)对AP严重程度的早期预测价值,并评估其联合MRSI对中重症AP早期危险分层的协同诊断效能,为AP风险分层提供影像学参考依据。

1 材料与方法

1.1 临床资料与患者选择

       本研究为单中心回顾性病例对照研究,严格遵守《赫尔辛基宣言》原则,经川北医学院附属医院伦理委员会批准(批准文号:2025ER634-1),因不涉及患者额外的生物样本采集与临床干预,伦理委员会批准豁免受试者知情同意。连续纳入2024年8月至2025年12月于本院确诊并在入院48 h内接受腹部MRI检查的AP患者。AP的诊断根据修订版亚特兰大分类(revised Atlanta classification, RAC)[2]标准,符合以下3项中的至少2项:(1)上腹部持续性疼痛;(2)血清淀粉酶和(或)脂肪酶浓度至少高于正常上限值3倍;(3)腹部影像学检查结果显示符合AP影像学改变。排除标准:(1)既往有胰腺炎或慢性胰腺炎病史;(2)有胰腺肿瘤病史或通过影像学检查发现有胰腺肿瘤;(3)图像模糊、有明显伪影者。最终,共纳入140例AP患者,轻症AP(mild AP, MAP)99例、中度重症AP(moderately severe AP, MSAP)24例、SAP 17例,本研究以识别非轻症AP为主要分析目的,将MSAP与SAP合并为中重症AP组(41例)。回顾性收集并整理所有患者基础临床资料与实验室检查指标,包括年龄、性别、白细胞计数、中性粒细胞比例、红细胞压积、血清淀粉酶、脂肪酶、C反应蛋白等。另收集2024年8月至2025年12月在我院接受健康体检并完成腹部MRI检查的人员作为对照组。纳入标准为:(1)临床资料未提示胰腺疾病,且腹部MRI未见胰腺异常;(2)血清淀粉酶和脂肪酶水平正常;(3)MRI图像满足本研究vMRE分析要求。排除标准为:既往胰腺炎或胰腺肿块、慢性肝病、酗酒或吸烟史。最终纳入38例健康对照者(healthy controls,HC)。详细病例筛选流程见图1。

图1  病例筛选流程图。AP:急性胰腺炎;RAC:修订版亚特兰大分类;MAP:轻症AP;MSAP:中度重症AP;SAP:重症AP;HC:健康对照。
Fig. 1  Case screening flowchart. AP: acute pancreatitis; RAC: revised Atlanta classification; MAP: mild acute pancreatitis; MSAP: moderately severe acute pancreatitis; SAP: severe acute pancreatitis; HC: healthy control.

1.2 MRI检查方法

       所有MRI检查均在3.0 T磁共振扫描系统(uMR790,联影医疗,上海)上完成,配备16通道体部相控阵线圈。所有受检者于检查前禁食6~8 h,取仰卧位、头先进,并在检查前接受呼吸训练,以保证呼吸末屏气的一致性。扫描范围覆盖整个胰腺。标准MRI检查方案包括T2加权脂肪抑制成像、DWI、常规T1加权成像及多期动态增强扫描,各序列主要参数详见表1。增强扫描使用钆喷酸葡胺(Gd-DTPA, GE Healthcare),按0.2 mmol/kg剂量经前臂静脉以3.0 mL/s注射,随后注入20 mL生理盐水。注射过程使用MRI专用双筒高压注射器(Medrad, USA)完成。单次屏气时间约17 s;动态增强各时相采集时间为13~18 s。

表1  胰腺MRI扫描参数
Tab. 1  MRI acquisition parameters for pancreatic imaging

1.3 图像后处理与影像评分

       所有影像分析均由两名放射科医师(分别具有4年和10年腹部影像经验)独立完成,两名阅片者在不知晓患者临床资料、实验室检查结果及彼此评分结果的情况下独立完成测量及MRSI评分(MRSI评分详见表2)[11]。原始多b值DWI图像数据以DICOM格式导出,经N4场校正与归一化并对图像进行配准,各b值图像采用同一偏置场及同一缩放参数,以保持b=200与b=1500 s/mm2之间的信号比不变。在ITK-SNAP软件中于T2加权压脂(T2-weighted fat-suppressed, T2FS)配准后的最佳显示层面,分别于胰头、胰体、胰尾各放置1个圆形感兴趣区(region of interest, ROI)(约50 mm2);ROI置于增强后有强化的可辨认实质,避开明确无强化或液化坏死区、胰周渗出、血管、胰管、明显伪影及边缘部分容积区域;性质不能确定的区域不纳入。每个ROI分别在该层面其所在层面上、下相邻层面各测量1次,取该部位3次均值作为该医师ROI的测值,再取胰头、体、尾均值3个ROI的均值作为该医师该例的最终测值。一致性分析采用协商前的独立测值;存在分歧的病例先由两人共同复阅、协商统一,仍不一致时由第三位具有15年以上腹部影像经验的医师裁定,建模采用最终统一值。各图像采用统一后处理条件,随后利用MATLAB程序生成vMRE伪彩图(图2)。

图2  AP患者胰腺头、体、尾ROI(圆圈)勾画示意图。AP:急性胰腺炎;ROI:感兴趣区;μDiff:虚拟剪切模量。
Fig. 2  Schematic diagram showing ROI delineation (circles) of the head, body, and tail of the pancreas in patients with AP. ROI: region of interest; AP: acute pancreatitis; μDiff: virtual shear modulus.
表2  MRI严重指数
Tab. 2  MRI severity index

1.4 vMRE技术方法

       DWI扫描后,通过两个关键b值(低关键b值LKb=200 s/mm2和高关键b值HKb=1500 s/mm2)计算位移表观扩散系数(shifted apparent diffusion coefficient, sADC)和μDiff,以估算胰腺实质的虚拟剪切模量。量化方法如下:

       (1)DWI图像数据映射计算vMRE的剪切模量,见公式(1)~(2):

       其中,S(b)为在b值为b条件下采集的扩散加权信号强度;S0为b=0 s/mm2时b值信号强度;b为扩散敏感因子;ADC为表观扩散系数;sADC为两组不同b值信号计算得到的位移ADC;SLKb为低关键b值下获得的扩散加权信号强度;SHKb为高关键b值下获得的扩散加权信号强度;LKb为计算sADC的低关键b值;HKb为计算sADC的高关键b值。

       (2)随后采用线性映射将扩散参数转化为μDiff(单位:kPa),见公式(3):

       低b值(200 s/mm2)和高b值(1500 s/mm2),DWI中缩放因子(α)和位移因子(β)分别设置为-9.8和14,由肝脏校准获得[23]。

1.5 统计学分析

       采用SPSS软件(版本27.0,IBM公司)和R语言(版本4.5.2)进行统计分析。连续变量采用Shapiro-Wilk检验评估正态性,符合正态分布的变量以均值±标准差(x¯±s)表示,两组间比较采用独立样本t检验。非正态分布变量以中位数及第25、75百分位数[M(P25,P75)]表示,两组间采用Mann-Whitney U检验进行比较。多组比较采用Kruskal-Wallis检验,分类变量采用Pearson卡方检验,两两比较采用Mann-Whitney U检验并以Bonferroni法校正。分类变量以频率(百分比)表示,采用卡方检验(χ2)或Fisher精确检验进行分析。风险预测分析仅纳入AP患者,以中重症AP(MSAP+SAP)为阳性结局、MAP为阴性结局,健康对照者不参与模型构建及效能评价。首先采用单因素二元logistic回归筛选与中重症AP相关的候选变量,并通过方差膨胀因子(variance inflation factor, VIF)评估自变量间的多重共线性,若变量VIF<10,提示不存在严重共线性;若存在VIF≥10的变量,则予以排除。为进一步筛选具有意义的独立诊断参数并构建最优预测模型,将P<0.05的变量纳入多因素分析,进行二元logistic回归分析,得到最终独立预测因子。回归结果以比值比(odds ratio, OR)及其95%置信区间(confidence interval, CI)表示。在多因素分析基础上,选取具有意义的独立诊断参数并构建联合预测模型,以模型输出的中重症AP预测概率进行效能评价。绘制受试者工作特征(receiver operating characteristic, ROC)曲线,计算单一指标及联合模型的曲线下面积(area under the curve, AUC)及其95% CI,并报告截断值及相应的灵敏度、特异度、准确度、阳性预测值和阴性预测值。采用DeLong检验比较各ROC曲线的AUC差异。通过1000次Bootstrap重抽样进行内部验证并绘制校准曲线,评价联合模型预测概率与观察结局的一致性,并报告表观Brier评分;同时采用Hosmer-Lemeshow检验评价模型拟合情况。采用决策曲线分析(decision curve analysis, DCA),比较联合模型、单独参数模型及“全部干预”“均不干预”参考策略在不同阈值概率下的净获益。P<0.05表示差异具有统计学意义。采用组内相关系数(intra-class correlation coefficient, ICC)评价两位放射科医师对数据测量的一致性(ICC≥0.75为一致性良好;0.40≤ICC<0.75为一致性中等,ICC<0.40为一致性较差),观察者间采用双向随机效应模型、绝对一致性,报告单次测量ICC(2,1)及其95% CI;MRSI为有序评分,其观察者间一致性采用Kappa分析评价。

2 结果

2.1 临床资料与基线特征

       本研究最终纳入2024年8月至2025年12月确诊的140例AP患者,其中MAP组99例,中重症AP组41例,另纳入HC组38例。收集并对比所有受试者的临床基础信息及实验室检查指标。结果显示,三组受试者在性别、年龄等基本人口学特征上的差异无统计学意义(P>0.05)。

       在实验室检验指标方面,三组总体比较显示,BMI、胰淀粉酶、血清淀粉酶、脂肪酶、空腹血糖、γ-谷氨酰转移酶、丙氨酸氨基转移酶、甘油三酯、钙、钠、氯、中性粒细胞比例、白细胞计数和红细胞比容的差异有统计学意义(均P<0.05)。天门冬氨酸氨基转移酶、总胆固醇、钾、乳酸及血清肌酐的三组差异无统计学意义(均P>0.05)。所有入组受试者的详细临床资料与基线特征见表3。

表3  患者基线资料表
Tab. 3  Baseline characteristics of the study participants

2.2 MRI影像参数的比较

       分析结果显示,μDiff在HC、MAP及中重症AP组的中位数分别为1.61(1.21,1.81)、2.25(1.75,2.56)及3.14(2.86,3.45)kPa。三组总体差异有统计学意义(H=90.863,P<0.001),三组两两比较经Bonferroni校正后均有统计学意义(均P<0.001)。中重症AP组MRSI高于MAP组(U=493.5,P<0.001),详见图3、表4。

图3  不同严重程度AP患者的代表性多参数MRI图像。3A~3D:男,38岁,轻症AP患者。3A:vMRE伪彩图;3B:T2加权压脂图;3C:DWI图,b=200 s/mm2;3D:DWI图,b=1500 s/mm2。3E~3H:男,63岁,中重症AP患者。3E:vMRE伪彩图;3F:T2加权压脂(T2FS)图;3G:DWI图,b=200 s/mm2;3H:DWI图,b=1500 s/mm2。与轻症AP患者相比,中重症AP患者在vMRE伪彩图上表现为更高的μDiff信号,并在常规MRI序列上显示更精准的胰腺异常改变(箭头)。AP:急性胰腺炎;vMRE:虚拟磁共振弹性成像;DWI:扩散加权成像。
Fig. 3  Representative multiparametric MRI images of patients with AP of varying severity. 3A-3D: A 38-year-old male with mild AP. 3A: vMRE pseudocolor image; 3B: T2-weighted fat-suppressed image; 3C: DWI with b = 200 s/mm2; 3D: DWI with b = 1500 s/mm2. 3E-3H: A 63-year-old male with moderate-to-severe AP. 3E: vMRE pseudocolor image; 3F T2-weighted fat-suppressed (T2FS) image; 3G: DWI with b = 200 s/mm2; 3H: DWI with b = 1500 s/mm2. Compared with patients with mild AP, those with moderate-to-severe AP exhibit higher μDiff signals on vMRE pseudocolor images and demonstrate more pronounced pancreatic abnormalities (arrow) on conventional MRI sequences. AP: acute pancreatitis; vMRE: virtual magnetic resonance elastography; DWI: diffusion-weighted imaging.
表4  MRI影像数据的比较
Tab. 4  Comparison of MRI image data

2.3 影像参数的观察者间一致性评价

       两位医师对μDiff的观察者间一致性良好,ICC=0.823(95% CI:0.773~0.877)。Bland–Altman分析显示,两医师测量的平均差为-0.023 kPa,一致性界限为0.817~0.771 kPa;对MRSI评分的观察者间一致性中等,MRSI评分Kappa为0.711(95% CI:0.621~0.794),线性加权Kappa为0.832(95% CI:0.763~0.886),评分完全一致率为76.4%。

2.4 中重症AP早期风险预测模型的构建

       单因素logistic回归分析显示,μDiff、MRSI、血细胞压积、钠和钠均与中重症AP相关(均P<0.05)。将上述变量纳入多因素logistic回归分析,各变量的方差膨胀因子(variance inflation factor, VIF)均<2,未见明显多重共线性。在上述变量相互调整后,μDiff(OR=67.676,95% CI:9.818~1 238.487,P<0.001)和MRSI(OR=2.375,95% CI:1.499~4.484,P<0.001)仍与中重症AP相关,而血细胞压积、钠和钠的关联均无统计学差异(均P>0.05),详见表5。以μDiff和MRSI构建联合预测模型,并进一步评价其区分效能。

表5  单因素和多因素logistic回归分析
Tab. 5  Univariate and multivariate logistic regression analyses

2.5 预测模型的区分效能比较

       ROC分析显示,μDiff、MRSI及联合模型区分MAP与中重症AP的AUC分别为0.917(95% CI:0.864~0.970)、0.878(95% CI:0.811~0.946)和0.977(95% CI:0.957~0.997)。DeLong检验显示,联合模型的AUC高于单独μDiff(ΔAUC=0.060,Z=2.669,P=0.008)及MRSI(ΔAUC=0.099,Z=2.987,P=0.003),差异均有统计学意义(均P<0.05),见图4。联合模型的最佳概率截断值为0.379,敏感度为92.68%,特异度为94.95%,提示其在本研究样本中兼顾了中重症AP的识别与MAP的正确分类,阳性结果可作为进一步临床评估的辅助信息。各指标及联合模型的具体效能和截断值见表6、表7。

图4  μDiff、MRSI及联合模型区分轻症与中重症AP的ROC曲线。μDiff:虚拟剪切模量;MRSI:磁共振严重程度指数;AP:急性胰腺炎;ROC:受试者工作特征;AUC:曲线下面积;CI:置信区间。
Fig. 4  ROC curves for μDiff, MRSI, and the combined model in distinguishing mild AP from moderate-to-severe AP. ROC: receiver operating characteristic; μDiff: virtual shear modulus; MRSI: magnetic resonance severity index; AP: acute pancreatitis; AUC: area under the curve; CI: confidence interval.
表6  各模型区分轻症与中重症AP的诊断效能
Tab. 6  Diagnostic performance of each model in distinguishing mild AP from moderate-to-severe AP
表7  不同模型间诊断效能的两两比较(DeLong检验)
Tab. 7  Pairwise comparison of diagnostic performance among different models (DeLong test)

2.6 模型的临床实用性评估

       联合模型经1000次Bootstrap重抽样进行内部校准评价表观Brier评分为0.052。DCA显示,在0.05~0.80阈值概率范围内,联合模型的净获益高于全部干预及均不干预参考策略。在阈值0.379处,联合模型较MRSI的净获益提高约0.085,代表性阈值比较见补充表S1。预测概率>0.70的32例患者中,平均预测概率为96.04%,观察到的中重症AP比例为96.88%,相差0.83个百分点;低概率层(0~0.30)3个事件,局部校准表现仍可能存在不确定性。分层结果见补充表S2,DCA及校准曲线见图5。

图5  联合模型区分轻症与中重症AP的校准曲线及决策曲线分析。5A:校准曲线,Brier评分=0.052。5B:决策曲线分析显示,在最佳截断值0.379处,联合模型较MRSI模型的净获益提高0.085(95% CI:0.032~0.134,P<0.001)。AP:急性胰腺炎;μDiff:虚拟剪切模量;MRSI:磁共振严重程度指数。
Fig. 5  Calibration curve and decision curve analysis of combined model in distinguishing mild AP from moderate-to-severe AP. 5A: Calibration curve, Brier score = 0.052; 5B: Decision curve analysis, at the optimal cutoff probability of 0.379, the combined model provided an incremental net benefit of 0.085 compared with the MRSI model (95% CI: 0.032 to 0.134, P < 0.001). AP: acute pancreatitis; μDiff: virtual shear modulus; MRSI: magnetic resonance severity index.

3 讨论

       本研究旨在探讨基于DWI的vMRE定量参数μDiff联合MRSI在评估AP严重程度中的临床应用价值。研究结果显示,AP患者胰腺实质的μDiff值较HC组显著升高,且该参数在区分MAP与中重症AP中展现出较高的临床诊断价值。将微观定量参数μDiff与传统宏观影像形态学评分MRSI构建联合模型,进一步提升了对中重症AP的诊断效能,AUC为0.977(95% CI:0.957~0.997),这一结果提示,DWI衍生定量信息与宏观形态学评分可能具有互补性,实现“解剖形态-微观功能”的双维度评估。为AP严重程度评估提供了新的联合分析思路也为临床早期准确评估AP病情演变、识别全身系统性损伤提供了新的定量影像学标志物。

3.1 vMRE技术评估AP严重程度的生物学基础与可行性

       本研究结果与既往关于弹性成像评估AP严重程度的研究总体一致。本研究结果显示联合模型诊断效能的提升,可能源于宏观解剖与微观病理生理特征的优势互补。从病理机制来看,AP的急性期主要表现为腺泡细胞急性损伤、间质炎性水肿及微循环障碍[2]。μDiff本质上反映了组织内水分子的微观自扩散受限程度[22, 24]。炎性渗出物与纤维蛋白的沉积增加了水分子热运动屏障[25],导致拟合出的μDiff值随炎症加剧而阶梯式升高。本研究观察到的这一力学改变趋势,与MAKHLOUF等[26]利用剪切波弹性成像(shear-wave elastic imaging, SWE)以及SHI等[27]利用传统MRE得到的结果相一致,均证实胰腺组织硬度的增加与AP严重程度密切相关。此外,CAI等[24]在胰腺疾病中、SUN等[21]在乳腺病变中也分别证实了μDiff能够可靠反映组织力学性质,且与其他参数联合可显著提升诊断效能。值得注意的是,本研究中μDiff预测中重症AP呈现出高特异度但灵敏度相对不足的特点。其原因可能在于AP的动态演变规律:在疾病极早期,炎症渗出与水肿占主导而典型坏死尚未完全形成,影像学表现往往滞后于临床严重程度[28, 29],导致单一功能参数可能低估部分病例。而MRSI主要依赖对大块坏死及渗出范围的肉眼辨识,对早期细胞级微观损伤的识别受限。鉴于μDiff的计算高度依赖于多b值DWI序列的拟合,图像质量直接影响参数的准确性。近期研究表明,基于深度学习的加速重建技术可显著提升多b值DWI的图像信噪比与诊断效能;因此,未来有望通过引入深度学习算法进一步优化vMRE图像质量,从而提升μDiff对AP严重程度的预测价值[30]。同时,将高特异度的微观定量参数μDiff与反映宏观破坏的MRSI相联合,可有效弥补了单一指标在不同病理阶段的诊断盲区,更早地揭示了胰腺局部组织损伤向全身炎性反应发展的恶性循环机制。

3.2 vMRE与传统定量方法的对比及临床转化价值

       相比于传统弹性成像及其他定量方法,vMRE在急危重症患者的临床评估中展现出显著的技术优势与可推广性。既往文献多采用体素内不相干运动(intravoxel incoherent motion, IVIM)来评估AP的微循环状态[31]。如SONG等[32]研究发现IVIM在定量捕捉胰腺实质功能障碍中的敏感性,LI等[33]动物实验证实IVIM灌注参数与AP伴发的系统性肾损伤高度相关。然而,有meta分析指出,受制于低b值图像的信噪比及拟合算法的差异,IVIM参数在不同中心间有一定异质性,且单纯的微循环灌注参数往往难以全面反映伴随细胞坏死发生的组织硬度改变[34]。SWE等超声弹性技术在胰腺疾病的硬度评估中应用广泛[35],但在急诊AP患者中易受肠道气体干扰或具有创伤性,也有学者使用传统MRE评估胰腺组织硬度,然而,传统MRE高度依赖外加机械振动发生器,不仅扫描耗时长,且急性腹痛患者耐受能力弱,扫描配合差,导致成像失败率较高[27]。既往μDiff与MRSI联合研究鲜见,可能原因:首先,vMRE技术本身尚处于方法学推广的早期阶段。自LE等于2017年首次提出基于DWI的虚拟弹性成像概念以来[23],该技术在肝脏[18]、脑肿瘤[22]、肺部[17]及胰腺术后瘘预测[24]等领域逐步得到拓展研究,但将其应用于AP严重程度评估的研究尚少,胰腺相关拟合与病理验证证据近年才逐步积累;其次,b值组合的选择、图像质量及测量区域均可能影响参数,一定程度上增加了跨研究复现和模型推广的难度,故既往研究多聚焦于单一维度的评估,未将两者互补整合探索。本研究所采用的vMRE技术基于常规多b值DWI序列后处理,无需增加任何外加激励硬件或延长扫描时间,胰腺ROI勾画采用图像校正、配准、多次勾画减少测量误差。该技术保留了DWI对微观水分子弥散受限的高敏感性,将其数学等效为直观的生物力学参数(μDiff)。在此基础上,本研究提出的“微观力学(μDiff)+宏观形态(MRSI)”的双维度联合评估模型。这一设计契合急诊AP的评估需求:μDiff负责捕捉早期细胞肿胀、炎性渗出引发的微环境黏弹性改变,MRSI则负责量化腺体坏死与胰周累及的宏观范围。鉴于国内外多项指南均强调早期风险分层对优化液体复苏及预防AP并发症具有决定性意义[1, 36],μDiff无需额外增加扫描时间、无对比剂依赖的特性,使其能够在复杂急诊环境下提供客观的定量依据。此外,本研究的DCA也证实其在较宽的阈值范围内具有良好的临床净获益,适合作为高风险AP患者早期识别的实用辅助工具。

3.3 本研究的局限

       本研究存在一些局限。首先,本研究为单中心研究,样本量相对有限,进而对低风险区间的绝对风险估计可靠性有限,所得出的μDiff诊断阈值及稳健性仍需在多中心、不同扫描时机的扩大队列中进行外部验证。其次,μDiff来源于DWI后处理,其数值不可避免地受到上腹部呼吸运动伪影、肠道气体磁敏感伪影及ROI勾画的影响,未来需进一步优化抗伪影序列以提高跨中心的可重复性。再者,一致性分析显示,两位医师对μDiff的观察者间一致性良好,而MRSI评分一致性检验结果中等,说明手工勾画ROI仍存在一定主观变异,未来需改善测量方案及图像质量以进一步提升测量可重复性。最后,本研究用于计算μDiff的转换参数主要基于肝脏等脏器的基础校准,尚未形成专门针对胰腺复杂病理状态(如严重水肿与坏死混杂)的成熟扫描及校准方案,未来研究有待扩展MRE在AP上的研究来进一步规范vMRE在AP方面的应用,以期提供更准确的影像定量信息。

4 结论

       综上所述,本研究基于DWI的vMRE定量参数μDiff在预测中重症AP方面具有良好的临床应用潜力。将其与传统形态学评分MRSI构建的联合模型可进一步提升对中重症AP的预测效能,有望作为临床早期风险分层及指导个体化治疗的潜在定量影像学标志物。

[1]
BOXHOORN L, VOERMANS R P, BOUWENSE S A, et al. Acute pancreatitis[J]. Lancet, 2020, 396(10252): 726-734. DOI: 10.1016/S0140-6736(20)31310-6.
[2]
BANKS P A, BOLLEN T L, DERVENIS C, et al. Classification of acute pancreatitis: 2012: revision of the Atlanta classification and definitions by international consensus[J]. Gut, 2013, 62(1): 102-111. DOI: 10.1136/gutjnl-2012-302779.
[3]
RAYMAN S, JACOBY H, GUENOUN K, et al. Diagnosis and contemporary management of necrotizing pancreatitis[J]. Am Surg, 2023, 89(11): 4817-4825. DOI: 10.1177/00031348231156781.
[4]
SZATMARY P, GRAMMATIKOPOULOS T, CAI W H, et al. Acute pancreatitis: diagnosis and treatment[J]. Drugs, 2022, 82(12): 1251-1276. DOI: 10.1007/s40265-022-01766-4.
[5]
MEDEROS M A, REBER H A, GIRGIS M D. Acute pancreatitis: a review[J]. JAMA, 2021, 325(4): 382-390. DOI: 10.1001/jama.2020.20317.
[6]
ZHU J P, WU L F, WANG Y, et al. Predictive value of the Ranson and BISAP scoring systems for the severity and prognosis of acute pancreatitis: a systematic review and meta-analysis[J/OL]. PLoS One, 2024, 19(4): e0302046 [2026-07-23] https://pubmed.ncbi.nlm.nih.gov/38687745/. DOI: 10.1371/journal.pone.0302046.
[7]
BOLLEN T L, VAN SANTVOORT H C, BESSELINK M G H, et al. Update on acute pancreatitis: ultrasound, computed tomography, and magnetic resonance imaging features[J]. Semin Ultrasound CT MRI, 2007, 28(5): 371-383. DOI: 10.1053/j.sult.2007.06.002.
[8]
BRIZI M G, PERILLO F, CANNONE F, et al. The role of imaging in acute pancreatitis[J]. Radiol Med, 2021, 126(8): 1017-1029. DOI: 10.1007/s11547-021-01359-3.
[9]
WU X, GUO Z Q, YU M, et al. Clinical values of MRSI, CRP and FABP4 in the diagnosis and prognosis of acute pancreatitis[J]. Ann Biol Clin, 2024, 82(4): 413-422. DOI: 10.1684/abc.2024.1909.
[10]
ARVANITAKIS M, DELHAYE M, DE MAERTELAERE V, et al. Computed tomography and magnetic resonance imaging in the assessment of acute pancreatitis[J]. Gastroenterology, 2004, 126(3): 715-723. DOI: 10.1053/j.gastro.2003.12.006.
[11]
PORÕES F, VIETTI VIOLI N, PIAZZA G, et al. Quantitative T2 mapping of acute pancreatitis[J]. J Magn Reson Imaging, 2024, 60(6): 2683-2691. DOI: 10.1002/jmri.29355.
[12]
PATEL B K, PEPIN K, BRANDT K R, et al. Association of breast cancer risk, density, and stiffness: global tissue stiffness on breast MR elastography (MRE)[J]. Breast Cancer Res Treat, 2022, 194(1): 79-89. DOI: 10.1007/s10549-022-06607-2.
[13]
LIANG Y Z, LI D W. Magnetic resonance elastography in staging liver fibrosis in non-alcoholic fatty liver disease: a pooled analysis of the diagnostic accuracy[J/OL]. BMC Gastroenterol, 2020, 20: 89 [2026-07-23] https://pubmed.ncbi.nlm.nih.gov/32252641/. DOI: 10.1186/s12876-020-01234-x.
[14]
KADER A, SNELLINGS J, ADAMS L C, et al. Sensitivity of magnetic resonance elastography to extracellular matrix and cell motility in human prostate cancer cell line-derived xenograft models[J/OL]. Biomater Adv, 2024, 161: 213884 [2026-07-23] https://pubmed.ncbi.nlm.nih.gov/38723432/. DOI: 10.1016/j.bioadv.2024.213884.
[15]
MOURA CUNHA G, FAN B Y, NAVIN P J, et al. Interpretation, reporting, and clinical applications of liver MR elastography[J/OL]. Radiology, 2024, 310(3): e231220 [2026-07-23] https://pubmed.ncbi.nlm.nih.gov/38470236/. DOI: 10.1148/radiol.231220.
[16]
张月洁, 杨紫涵, 董林逍, 等. 基于虚拟磁共振弹性成像预测宫颈癌淋巴结转移[J]. 磁共振成像, 2026, 17(1): 79-84. DOI: 10.12015/issn.1674-8034.2026.01.011.
ZHANG Y J, YANG Z H, DONG L X, et al. Prediction of lymph node metastasis in cervical cancer using virtual magnetic resonance elastography[J]. Chin J Magn Reson Imaging, 2026, 17(1): 79-84. DOI: 10.12015/issn.1674-8034.2026.01.011.
[17]
ZHANG S, DU Y H, LIANG T, et al. Diagnostic efficiency of intravoxel incoherent motion-based virtual magnetic resonance elastography in pulmonary neoplasms[J/OL]. Cancer Imaging, 2024, 24(1): 88 [2026-07-23] https://pubmed.ncbi.nlm.nih.gov/38971790/. DOI: 10.1186/s40644-024-00728-1.
[18]
YANG L, ZHOU G, LIU L, et al. Staging chronic hepatitis B related liver fibrosis with diffusion-weighted MRI-based virtual elastography: comparisons with serum fibrosis indexes[J/OL]. Clin Radiol, 2025, 80: 106750 [2026-07-23] https://pubmed.ncbi.nlm.nih.gov/39657563/. DOI: 10.1016/j.crad.2024.106750.
[19]
YANG L, ZHOU G F, LIU L H, et al. Assessing liver fibrosis in chronic liver disease: Comparison of diffusion-weighted MR elastography and two-dimensional shear-wave elastography using histopathologic assessment as the reference standard[J/OL]. Ann Hepatol, 2025, 30(1): 101743 [2026-07-23] https://pubmed.ncbi.nlm.nih.gov/39662592/. DOI: 10.1016/j.aohep.2024.101743.
[20]
SERAI S D, ABU-EL-HAIJA M, TROUT A T. 3D MR elastography of the pancreas in children[J]. Abdom Radiol (NY), 2019, 44(5): 1834-1840. DOI: 10.1007/s00261-019-01903-w.
[21]
SUN K, ZHU Y, CHAI W M, et al. Diffusion-weighted MRI-based virtual elastography and shear-wave elastography for the assessment of breast lesions[J]. J Magn Reson Imaging, 2024, 60(5): 2207-2213. DOI: 10.1002/jmri.29302.
[22]
AUNAN-DIOP J S, ANDERSEN M C S, FRIISMOSE A I, et al. Virtual magnetic resonance elastography predicts the intraoperative consistency of meningiomas[J]. J Neuroradiol, 2023, 50(4): 396-401. DOI: 10.1016/j.neurad.2022.10.006.
[23]
LE BIHAN D, ICHIKAWA S, MOTOSUGI U. Diffusion and intravoxel incoherent motion MR imaging-based virtual elastography: A hypothesis-generating study in the liver[J]. Radiology, 2017, 285(2): 609-619. DOI: 10.1148/radiol.2017170025.
[24]
CAI W, ZHU Y J, LI D F, et al. Diffusion-based virtual MR elastography: association with pancreatic fibrosis and identification of postoperative pancreatic fistula after pancreaticoduodenectomy[J]. J Magn Reson Imaging, 2026, 63(5): 1448-1463. DOI: 10.1002/jmri.70214.
[25]
BARRAL M, TAOULI B, GUIU B, et al. Diffusion-weighted MR imaging of the pancreas: current status and recommendations[J]. Radiology, 2015, 274(1): 45-63. DOI: 10.1148/radiol.14130778.
[26]
MAKHLOUF N A, MOHAMED Z R, MAHRAN Z G, et al. Role of shear wave elastography in the diagnosis and assessment of severity of acute pancreatitis[J/OL]. Egypt J Radiol Nucl Med, 2025, 56(1): 218 [2026-07-23] https://link.springer.com/article/10.1186/s43055-025-01627-6. DOI: 10.1186/s43055-025-01627-6.
[27]
SHI Y, LIU Y, LIU Y Q, et al. Early diagnosis and severity assessment of acute pancreatitis (AP) using MR elastography (MRE) with spin-echo echo-planar imaging[J]. J Magn Reson Imaging, 2017, 46(5): 1311-1319. DOI: 10.1002/jmri.25679.
[28]
SPANIER B W, NIO Y, VAN DER HULST R W, et al. Practice and yield of early CT scan in acute pancreatitis: a Dutch Observational Multicenter Study[J]. Pancreatology, 2010, 10(2/3): 222-228. DOI: 10.1159/000243731.
[29]
LEPPÄNIEMI A, TOLONEN M, TARASCONI A, et al. 2019 WSES guidelines for the management of severe acute pancreatitis[J/OL]. World J Emerg Surg, 2019, 14: 27 [2026-07-23] https://pubmed.ncbi.nlm.nih.gov/31210778/. DOI: 10.1186/s13017-019-0247-0.
[30]
ZHU Y J, WANG P, WANG B Z, et al. Accelerated multi-b-value DWI using deep learning reconstruction: image quality improvement and microvascular invasion prediction in BCLC stage a hepatocellular carcinoma[J]. Acad Radiol, 2025, 32(7): 3924-3937. DOI: 10.1016/j.acra.2025.01.043.
[31]
吴林霞, 悦笑斐, 刁楠, 等. IVIM-DWI定量评估早期急性胰腺炎[J]. 临床放射学杂志, 2022, 41(8): 1471-1475. DOI: 10.13437/j.cnki.jcr.2022.08.010.
WU L X, YUE X F, DIAO N, et al. IVIM-DWI quantitative assessment of early acute pancreatitis[J]. J Clin Radiol, 2022, 41(8): 1471-1475. DOI: 10.13437/j.cnki.jcr.2022.08.010.
[32]
SONG Y Y, CHEN B, ZENG K J, et al. Intravoxel incoherent motion diffusion-weighted imaging of pancreas: Probing evidence of β-cell dysfunction in asymptomatic adults with hyperglycemia in vivo[J]. Magn Reson Imaging, 2024, 108: 161-167. DOI: 10.1016/j.mri.2024.02.003.
[33]
LI X H, LI Z H, LIU L, et al. Early assessment of acute kidney injury in severe acute pancreatitis with multimodal DWI: an animal model[J]. Eur Radiol, 2023, 33(11): 7744-7755. DOI: 10.1007/s00330-023-09782-y.
[34]
Luo H, He L, Cheng W, et al. The diagnostic value of intravoxel incoherent motion imaging in differentiating high-grade from low-grade gliomas: a systematic review and meta-analysis[J/OL]. The British Journal of Radiology, 2021, 94(1121): 20201321 [2026-07-23] https://pubmed.ncbi.nlm.nih.gov/33876653/. DOI: 10.1259/bjr.20201321.
[35]
ABBOUD Y, GADDAM S. The role of endoscopic ultrasound-guided shear wave elastography in pancreatic diseases[J/OL]. Diagnostics, 2024, 14(20): 2329 [2026-07-23] https://pubmed.ncbi.nlm.nih.gov/39451652/. DOI: 10.3390/diagnostics14202329.
[36]
ARVANITAKIS M, OCKENGA J, BEZMAREVIC M, et al. ESPEN guideline on clinical nutrition in acute and chronic pancreatitis[J]. Clin Nutr, 2020, 39(3): 612-631. DOI: 10.1016/j.clnu.2020.01.004.

上一篇 基于MRI生境分析与瘤内微生物的堆叠模型预测乳腺癌新辅助治疗缩退方式
下一篇 基于MRI多序列2.5D融合深度学习模型预测宫颈癌淋巴脉管间隙浸润的研究
  
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