非侵襲的な小児肝脂肪定量のためのAI駆動超音波ラジオ周波数分析
カテゴリ：診断支援・画像解析
公開日：2026年5月1日
タイトル：AI-powered ultrasound radiofrequency analysis for non-invasive pediatric liver fat quantification
雑誌名：Sci Rep. 2026 Mar 17; 16(1): doi: 10.1038/s41598-026-37862-8.
概 要：
本研究は、代謝機能障害関連脂肪肝疾患（MASLD）が影響を及ぼす30～50%の肥満児に対し、非侵襲的な肝脂肪定量の精度向上を目指しています。MRI-PDFFが基準となる一方で、そのアクセスの限界から代替手段が求められています。40人の小児患者（平均年齢12.16歳）を対象に、超音波ラジオ周波数（RF）データとMRI-PDFFを同日に取得しました。RFデータ、超音波誘導減衰パラメータ（UGAP）、臨床パラメータを用いたAIモデルを開発し、肝脂肪の定量を行いました。最適なパフォーマンスを示したモデルは、XGBoost（R² = 0.81）とMod-MHDNet（R² = 0.76）でした。Bland-Altman分析により、MRI-PDFFとの優れた一致が確認され、両アプローチで平均バイアスは0.4%未満でした。超音波RFデータのAI分析により、小児肝脂肪の正確でアクセス可能な定量が可能となり、MASLD評価の実用的な代替手段を提供します。
方 法：
本研究は、40人の小児患者を対象にした前向き研究です。患者はMASLDの診断のためにMRI-PDFFと同日に超音波RFデータを取得しました。AIモデルは、RFデータ、UGAP、臨床パラメータを用いて開発され、最適なモデルのパフォーマンスを評価しました。主要評価指標は、モデルの決定係数（R²）です。
結 果：
最良のラジオミクスモデル（XGBoost）はR² = 0.81、最良の深層学習モデル（Mod-MHDNet）はR² = 0.76を達成しました。Bland-Altman分析では、MRI-PDFFとの平均バイアスが0.4%未満であり、両アプローチ間で優れた一致が示されました。
結 論：
AIを用いた超音波RFデータの分析は、小児肝脂肪の正確な定量を可能にし、MASLD評価における実用的な代替手段を提供することが示されました。