Liver fibrosis: Review of current imaging and MRI quantification techniques
Notice bibliographique
Résumé
Liver fibrosis is characterized by the accumulation of extracellular matrix proteins such as collagen in the liver interstitial space. All causes of chronic liver disease may lead to fibrosis and cirrhosis. The severity of liver fibrosis influences the decision to treat or the need to monitor hepatic or extrahepatic complications. The traditional reference standard for diagnosis of liver fibrosis is liver biopsy. However, this technique is invasive, associated with a risk of sampling error, and has low patient acceptance. Imaging techniques offer the potential for noninvasive diagnosis, staging, and monitoring of liver fibrosis. Recently, several of these have been implemented on ultrasound (US), computed tomography, or magnetic resonance imaging (MRI). Techniques that assess changes in liver morphology, texture, or perfusion that accompany liver fibrosis have been implemented on all three imaging modalities. Elastography, which measures changes in mechanical properties associated with liver fibrosis—such as strain, stiffness, or viscoelasticity—is available on US and MRI. Some techniques assessing liver shear stiffness have been adopted clinically, whereas others assessing strain or viscoelasticity remain investigational. Further, some techniques are only available on MRI—such as spin‐lattice relaxation time in the rotating frame ( T 1 ρ), diffusion of water molecules, and hepatocellular function based on the uptake of a liver‐specific contrast agent—remain investigational in the setting of liver fibrosis staging. In this review, we summarize the key concepts, advantages and limitations, and diagnostic performance of each technique. The use of multiparametric MRI techniques offers the potential for comprehensive assessment of chronic liver disease severity. Level of Evidence : 5 J. MAGN. RESON. IMAGING 2017;45:1276–1295
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».