综述：基于机器学习和深度学习的MRI肝脏铁过载定量分析：一项系统性综述与荟萃分析

　　本综述系统评估了机器学习（ML）与深度学习（DL）在MRI肝脏铁浓度（LIC）定量中的诊断效能与临床适用性。研究表明，ML/DL模型（如CNN、放射组学）显著提升了LIC定量精度（Pearson’s r=0.999）与自动化水平（处理时间低至0.1秒/层），但需推动多中心验证与协议标准化以实现临床推广。

　　

背景

肝脏铁过载与遗传性血色素沉着症、β?地中海贫血等疾病密切相关，准确量化肝铁浓度（LIC）对临床干预和并发症预防至关重要。磁共振成像（MRI）作为非侵入性LIC评估的金标准，仍面临协议差异性和诊断一致性的挑战。机器学习（ML）与深度学习（DL）技术为提升MRI基于LIC的定量分析提供了新途径，但其实际效能尚待系统评估。

目的

本研究遵循PRISMA指南，通过系统性综述与荟萃分析，全面评价ML/DL技术在MRI基于LIC定量中的诊断准确性、算法性能及临床适用性。

方法

检索覆盖PubMed、Embase、Scopus、Web of Science、Cochrane Library及IEEE Xplore数据库，筛选应用ML/DL于MRI-LIC量化的研究。从诊断准确性（敏感性、特异性、AUC）、量化精度（相关系数、平均绝对误差）和临床适用性（自动化程度、处理时间）等维度进行评估，并采用QUADAS?2工具进行方法学质量评价。

结果

共纳入8项研究，主要基于T2*加权及多参数MRI数据，应用卷积神经网络（CNN）、放射组学及模糊C均值聚类等算法。荟萃分析显示（基于3项研究），汇总敏感性为0.79（95% CI: 0.66–0.88），特异性为0.77（95% CI: 0.64–0.86），AUC达0.84。DL方法展现出极高量化精度（如Pearson’s r?=?0.999）和自动化优势，单层图像处理时间可低至0.1秒。研究存在异质性高、泛化能力有限及外部验证集规模小等局限。

结论

ML与DL技术可显著提升MRI基于LIC的定量效率与准确性，具备临床转化潜力。未来需推动标准化成像协议与多中心大样本验证，以促进该技术的临床普及与公平应用。