US Quantification of Liver Fat: Past, Present, and Future
Notice bibliographique
Résumé
Fatty liver disease has a high and increasing prevalence worldwide, is associated with adverse cardiovascular events and higher long-term medical costs, and may lead to liver-related morbidity and mortality. There is an urgent need for accurate, reproducible, accessible, and noninvasive techniques appropriate for detecting and quantifying liver fat in the general population and for monitoring treatment response in at-risk patients. CT may play a potential role in opportunistic screening, and MRI proton-density fat fraction provides high accuracy for liver fat quantification; however, these imaging modalities may not be suited for widespread screening and surveillance, given the high global prevalence. US, a safe and widely available modality, is well positioned as a screening and surveillance tool. Although well-established qualitative signs of liver fat perform well in moderate and severe steatosis, these signs are less reliable for grading mild steatosis and are likely unreliable for detecting subtle changes over time. New and emerging quantitative biomarkers of liver fat, such as those based on standardized measurements of attenuation, backscatter, and speed of sound, hold promise. Evolving techniques such as multiparametric modeling, radiofrequency envelope analysis, and artificial intelligence–based tools are also on the horizon. The authors discuss the societal impact of fatty liver disease, summarize the current state of liver fat quantification with CT and MRI, and describe past, currently available, and potential future US-based techniques for evaluating liver fat. For each US-based technique, they describe the concept, measurement method, advantages, and limitations. © RSNA, 2023 Online supplemental material is available for this article. Quiz questions for this article are available through the Online Learning Center.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».