背景与目的非酒精性脂肪性肝病（Nonalcoholic fatty liver disease,NAFLD）是一类以肝脏细胞脂肪变性为特点的慢性肝脏疾病,NAFLD患者的自然病程分为单纯脂肪变性（Nonalcoholic fatty liver,NAFL）和非酒精性脂肪性肝炎（Nonalcoholic steatohepatitis,NASH）,其中NASH显著增加发生肝纤维化、肝硬化及肝细胞肝癌（hepatocellular carcinoma,HCC）的风险。最新的美国流行病学调查数据显示,NAFLD已经超越丙型肝炎病毒感染,成为导致HCC的首要病因。同时NAFLD的发生率也逐年提高,已然成为全世界范围内最常见的肝脏疾病。因此,对NAFLD进行早期诊断和干预,尤其是早期准确诊断NASH,是临床上的重要任务之一。至今,临床上诊断NASH的金标准仍为肝穿刺活检,存在感染、出血等并发症风险,同时耗费大量医疗资源和时间,对大多数NAFLD患者并不可取,目前没有一种无创方法常规用于鉴别NAFL和NASH。影像组学的概念为借助计算机的辅助,高通量、自动化的提取医学影像图像中包含的大量信息,形成多种可量化的数字化特征,从而提高图像分析的效率和产出。本课题旨在研究基于人工智能的影像组学技术对NASH进行无创诊断的可能性。研究方法本研究为前瞻性队列研究,招募符合入组标准的NAFLD患者,以肝穿刺活检病理为金标准诊断是否存在NASH,同时进行血液学、核磁共振成像（magnetic resonance imaging,MRI）及腹部超声检查。之后,采用影像组学技术对MRI及超声影像进行特征提取及筛选,将筛选得到的特征运用机器学习算法进行模型训练,同时采用多因素Logistic回归纳入临床常用指标与影像组学特征构建NASH临床预测模型并绘制预后诺模图。通过绘制模型的受试者工作特征曲线（Receiver Operating Characteristic,ROC）比较 ROC 曲线下面积（area under the curve,AUC）来评估模型诊断NASH准确性。所有统计检验采用双尾,P值<0.05为差异具有统计学意义。研究结果截至2021年5月1日,共前瞻性纳入受试者6人,其中4人经肝穿刺病理检查确诊为NASH。对每位患者,共提取MRI和超声影像组学特征336个,经过特征筛选,得到6个特征可辅助NASH的诊断,机器学习算法训练模型显示,随机森林分类算法模型预测准确性高于支持向量机算法模型（0.83 v.s.0.67）。同时,多因素Logistic回归分析显示,同时纳入影像组学特征及临床常用指标的预测模型诊断NASH准确性（AUC:1.000）高于仅纳入影像组学特征的诊断模型（AUC:0.875）和仅纳入临床指标的诊断模型（AUC:0.625）。结论基于人工智能的影像组学技术可以辅助NASH的无创诊断,具有重要的临床应用价值。同时纳入影像组学特征及临床特征的预测模型具有较高的诊断准确性,但准确结果有待纳入更多受试者后进行验证。