MRI双灌注IVIM模型有助于更好地理解SARS-CoV-2病毒对胎盘组织的影响

《Magnetic Resonance Materials in Physics, Biology and Medicine》：The MRI two-perfusion IVIM model improves understanding of SARS-CoV-2 virus impact on placental tissue

　　摘要
引言
扩散加权成像（DWI）已被用于研究感染SARS-CoV-2的女性的胎盘，通过使用体素内非相干运动模型（IVIM）来揭示组织的微观结构恶化。然而，与胎盘组织学的结果不同，未观察到灌注障碍。我们使用了双灌注IVIM模型来研究胎盘的灌注区域。

方法
在1.5 T扫描仪上，使用10个b值，对n=12名SARS-CoV-2患者和n=20名孕龄匹配的疫情前健康受试者进行了DWI成像。研究了母体和胎儿的胎盘。使用Welch's t检验评估了两组之间的差异。

结果
SARS-CoV-2患者的胎盘胎儿侧显示出较高的D值和较低的f2值（相对于滋养层区域）。SARS-CoV-2患者的胎盘母体侧的D2*值较高。

讨论
较高的D值反映了组织损伤，而较低的f2参数表明母体与胎儿之间的物质交换受到障碍。SARS-CoV-2胎盘母体侧较高的D2*值可能是由于淋巴细胞侵入基底层蜕膜导致毛细血管直径减小所致。这些结果进一步证实了双灌注IVIM模型在检测胎盘功能障碍方面的潜力。

引言
扩散加权成像（DWI）已被用于研究感染SARS-CoV-2的女性的胎盘，通过使用体素内非相干运动模型（IVIM）来揭示组织的微观结构恶化。然而，与胎盘组织学的结果不同，未观察到灌注障碍。我们使用了双灌注IVIM模型来研究胎盘的灌注区域。

方法
在1.5 T扫描仪上，使用10个b值，对n=12名SARS-CoV-2患者和n=20名孕龄匹配的疫情前健康受试者进行了DWI成像。研究了母体和胎儿的胎盘。使用Welch's t检验评估了两组之间的差异。

结果
SARS-CoV-2患者的胎盘胎儿侧显示出较高的D值和较低的f2值（相对于滋养层区域）。SARS-CoV-2患者的胎盘母体侧的D2*值较高。

讨论
较高的D值反映了组织损伤，而较低的f2参数表明母体与胎儿之间的物质交换受到障碍。SARS-CoV-2胎盘母体侧较高的D2*值可能是由于淋巴细胞侵入基底层蜕膜导致毛细血管直径减小所致。这些结果进一步证实了双灌注IVIM模型在检测胎盘功能障碍方面的潜力。

引言
胎盘是一个在胎儿发育和营养供应中起着至关重要作用的复杂器官。在这个视角下，胎盘胎儿侧的特征是绒毛结构，这些结构通过围绕绒毛的滋养层细胞从母体血液中吸收营养[1]。

自2019年12月以来，COVID-19大流行是由严重急性呼吸综合征冠状病毒2（SARS-CoV-2）病毒引起的[2]。主要受影响的器官是肺部，导致呼吸系统疾病，在最严重的情况下会导致死亡，但也存在无症状病例，这些病例增加了病毒的传播[3,4,5]。随后，一些研究表明血管紧张素转换酶2（ACE2）可能是SARS-CoV-2的靶点，病毒利用这种受体进入相关组织[6,7]。这一信息激发了本项研究，因为胎盘滋养层表达ACE2，因此可能是SARS-CoV-2的潜在靶点[8,9,10,11,12,13,14,15]。进一步的研究表明，孕妇感染COVID-19可能导致母体血管灌注不良（MVM），伴有滋养层坏死和大量的绒毛周围纤维蛋白沉积[16,17]、绒毛梗死和蜕膜血管病变[15,18,19,20,21,22,23,24,25,26,27,28,29]，并与死产和先兆子痫的发生有关，无论是否出现症状[31,32]。此外，大量感染SARS-CoV-2的孕妇显示出胎盘异常，组织学检查提示胎盘灌注不足和炎症[33]。

在这种情况下，磁共振成像（MRI）的使用日益重要，已成为研究胎盘组织和胎儿监测的重要成像方法[34]。近年来，多项研究证实了MRI技术（如T2加权成像（T2WI）和扩散加权成像（DWI）在研究与MVM相关的胎盘疾病方面的潜力[35,36,37,38,39,40,41,42,43,44]。最近，MRI被用于COVID-19感染期间胎盘组织的研究，采用了T2WI[45]和基于血氧水平依赖性（BOLD）的DWI以及体素内非相干运动（IVIM）模型[39]。

DWI技术允许量化组织的表观扩散系数（ADC），假设扩散加权信号具有单指数衰减。这适用于大量水或与周围组织相互作用较弱的水，其运动传播器为正常高斯类型。当水被障碍物阻挡、阻碍和/或困住（如在生物组织中），和/或灌注不可忽略时，运动传播器的功能更为复杂，因此需要模型和信号表示来预测信号衰减[46]。IVIM模型是由Le Bihan等人提出的生物物理模型[47]，假设存在两个不同的水区域：（1）一个扩散区域，其中扩散系数是由于布朗运动的阻碍；（2）一个灌注区域，由微循环模拟，其扩散速率高于自由水的布朗运动[47,48]。在之前基于IVIM对受SARS-CoV-2病毒影响的胎盘的研究中，与胎盘组织学的结果不同[33]，未观察到灌注障碍[39]。

我们假设由于胎盘是一种具有不同灌注机制的高度异质性组织，IVIM模型不适合探究这种高度灌注的组织。因此，在本文中，使用了Maiuro等人提出的双灌注IVIM模型[49]来深入研究假定的灌注障碍。该模型旨在考虑胎盘组织中的一个扩散区域和两个灌注区域。实际上，胎盘的特点是在胎盘蜕膜和绒毛内空间中水的扩散行为，绒毛树和携带氧合血液的动脉具有最快的灌注行为，以及表征所有运输活动的最慢灌注区域（如滋养层活动）[50]。

在这项研究中，由于滋养层表达参与COVID-19感染的ACE2，我们旨在利用新的双灌注IVIM模型来揭示SARS-CoV-2感染和健康胎盘中的任何可能的胎盘灌注异常。结果与IVIM模型进行了比较，并基于胎盘生理学进行了解释。

材料与方法
在本研究中，将采用IVIM模型[48]和双灌注IVIM模型[49]来研究感染SARS-CoV-2的女性的胎盘组织的扩散和灌注特性。IVIM模型是一个生物物理模型，如下近似DW信号：
$$\frac{S\left( b \right)}{{S\left( 0 \right)}} = fe^{{ - bD^{*} }} + \left( {1 - f} \right)e^{ - bD}$$ (1)
其中 \(S\left(b\right)\) 是随b值变化的信号，\(S\left(0\right)\) 是b值=0时的信号，\(f\) 是灌注分数，\({D}^{*}\) 是灌注系数，\(D\) 是扩散系数。

在双灌注IVIM模型中，信号建模为：
$$\frac{S\left( b \right)}{{S\left( 0 \right)}} = f_{1} e^{{ - b\left( {D_1^{*} + D_{2}^{*} + D} \right)}} + f_{2} e^{{ - b\left( {D_{2}^{*} + D} \right)}} + \left( {1 - f_{1} - f_{2} } \right)e^{ - bD}$$ (2)
其中 \({f}_{1}\) 是与最快灌注区域相关的灌注分数，其灌注系数为\({D}_{1}^{*}\)，\({f}_{2}\) 是最慢灌注区域的灌注分数，其灌注系数为\({D}_{2}^{*}\)，\(D\) 是扩散系数。如Maiuro等人所解释的[49]，\({f}_{1}\) 参数与绒毛树的活动相关，其特征是血液以高速度流动，而\({f}_{2}\) 与交换活动相关，即滋养层的活动。

由于双灌注IVIM模型有多个参数，可能会发生过拟合，我们遵循了Maiuro等人[49]建议的拟合程序。首先对最高b值（\(b \ge 200s/{\text{mm}}^{2}\)）进行单指数拟合，以评估扩散系数\({D}_{mono}\)，然后对所有b值进行IVIM模型拟合，固定刚刚估计的扩散系数\({D}_{mono}\)。获得的灌注分数\({f}_{IVIM}\)用于确定双灌注IVIM模型的两个灌注分数之和，\(f_{{{\text{IVIM}}}} = f_{1} + f_{2}\)。最终拟合方程如下：
$$\frac{{S\left( b \right)}}{{S\left( 0 \right)}} = f_{1} e^{{ - b\left( {D_1^{*} + D_{2}^{*} + D_{{mono}} } \right)}} + \left( {f_{{{\text{IVIM}}}} - f_{1} } \right)e^{{ - b\left( {D_{2}^{*} + D_{{mono}} } \right)}} + \left( {1 - f_{{{\text{IVIM}}}} } \right)e^{{ - bD_{{mono}} }}$$ (3)
其中 \(f_{{{\text{IVIM}}}\) 是通过之前的IVIM模型拟合得到的灌注分数，\({D}_{mono}\) 是通过单指数拟合得到的扩散系数值。\({f}_{2}\) 参数是通过差值 \(f_{2} = f_{{{\text{IVIM}}}} - f_{1}\) 获得的。

拟合是使用自制的Python脚本和Scipy中的非线性最小二乘算法（curve_fit()函数）进行的。对于单指数拟合，我们使用的初始值是 \(D = 0.1 \cdot 10^{{ - 3}} {\text{mm}}^{2} /s\)，边界条件是 \(D = [0.01,3] \cdot 10^{{ - 3}} {\text{mm}}^{2} /s\)。对于IVIM拟合，我们使用的初始值是：\(f=0\)，\(D^{*} = 100 \cdot 10^{{ - 3}} {\text{mm}}^{2} /s\)，\(D\) 固定；边界条件是：\(f=[0, 1]\) 和 \(D^{*} = [5,10000] \cdot 10^{{ - 3}} {\text{mm}}^{2} /s\)。最后，双灌注IVIM模型使用以下初始值拟合数据：\(f_{1}=0\)，\(D_{1}^{*} = 100 \cdot 10^{{ - 3}} {\text{mm}}^{2} /s\)，\(D_{2}^{*} = 10 \cdot 10^{{ - 3}} {\text{mm}}^{2} /s\)，\({f}_{IVIM}\) 和 \(D\) 分别来自IVIM和单指数拟合；边界条件是：\(f_{1} = [0,f_{{{\text{IVIM}}}} ]\)，\(D_{1}^{*} = [5,10000] \cdot 10^{{ - 3}} {\text{mm}}^{2} /s\) 和 \(D_{2}^{*} = [5,100] \cdot 10^{{ - 3}} {\text{mm}}^{2} /s\)。

对象
这是一项回顾性研究。13名患有轻度至中度SARS-CoV-2的孕妇，孕龄GA=30.4±2.8周（平均±标准差，范围在27至34周之间，以及一个36周的胎盘），在2020年12月至2021年6月期间接受了MRI检查（COVID-19组）。MRI检查总是在SARS-CoV-2检测呈阴性之后进行，从第一次阳性检测到检查的平均时间约为10周，范围在6-12周之间。排除了有明显运动伪影的图像（COVID-19组中有1例），因此最终共有12名受试者。此外，从2019年10月之前的疫情前图像中选择了20例孕龄匹配的健康妊娠（GA=30.7±1.9周，范围在28-34周之间），这些图像没有畸形和明显的运动伪影（健康组）。所有受试者均未报告并发症，所有数据均被匿名处理。该研究获得了“罗马萨皮恩扎大学”当地伦理委员会的批准。受试者在扫描前被要求签署书面知情同意书。

MRI采集序列
本研究使用Siemens MAGNETOM Avanto 1.5 T扫描仪（Siemens Healthcare GmbH）进行。图像使用8线圈探头采集；妇女采取仰卧位，首先进行模式检查，不使用母体-胎儿镇静剂或造影剂。采集程序包括T2-HASTE（半傅里叶单次采样快速自旋回波）和T1加权图像，使用MPRAGE。使用T1和T2加权序列等形态学序列是为了提供解剖参考，并允许识别任何可由母体-胎儿灌注障碍引起的胎盘异常，如出血性腔隙。DWI使用扩散加权回波平面成像（EPI）序列采集，TR/TE=3100/76 ms；带宽=2174 Hz/px；矩阵大小采集=96×96；矩阵大小重建=192×192，切片数量根据胎盘尺寸而定；平面内分辨率=2.0×2.0mm2，切片厚度=5 mm。图像在三个正交方向x、y、z上采集了十个不同的b值（0, 10, 30, 50, 75, 100, 200, 400, 700, 1000 s/mm2）。在低b值（\(b \le 200s/{\text{mm}}^{2}\)）下采集的DWI的平均信号数量为NS=2，在高b值下采集的DWI的平均信号数量为NS=4。扩散协议的持续时间约为12分钟。这些协议用于COVID-19组和健康组。

数据处理
首先对受试者的信噪比（SNR）进行了分析，以确保整体SNR>10。考虑到在多线圈采集中，噪声分布是非中心化的χ分布，我们使用基于局部矩的以下估计器来估计噪声水平[51]：$$\widehat{{\sigma _{L}^{2} }} = \frac{1}{2}\;{\text{mode}}\left\{ {M_{{Lx}}^{2} } \right\}$$ （4）其中$\widehat{{\sigma }_{L}^{2}}$是分析图像的噪声水平的平方，L是采集线圈的数量（本工作中为八个线圈），${\langle {M}_{L}^{2}\rangle }_{x}$是在21×21局部窗口大小上平均的信号幅度的平方。由于$\widehat{{\sigma }_{L}^{2}}$是噪声水平，“mode”是信号强度直方图的最大值，因此去噪后的信号表示为：$$S = \sqrt {{M}_{Lx}^{2} - 2\widehat{\sigma _{L}^{2}}}$$ （5）胎儿和母体胎盘的体积兴趣区域（ROI）是由两位具有超过20年经验（LM）和超过5年经验（GE）的放射科医生在同一会话中共同选定的，这两位医生在产前MRI领域都有丰富的经验。选择是基于b=50 s/mm2的T2加权和DWI图像，这些图像能够很好地区分胎儿胎盘组织和母体胎盘组织，因为它们与灌注相关的信号不同（胎儿胎盘的灌注比母体胎盘高）。每个ROI是通过根据胎盘的体积和在视野中的位置，在多个切片上分割感兴趣的胎盘组织来获得的。图1a展示了一个ROI的例子，其中母体ROI用红色标出，胎儿ROI用蓝色标出。图1的替代文本可能是使用AI生成的。全尺寸图像：a显示了一个29周的正常胎盘，b=200 s/mm2。胎儿ROI用蓝色标出，而母体ROI用红色标出。在每个ROI内随机选择了两个体素，分别对IVIM和双灌注IVIM模型进行单体素拟合；b母体体素的单体素拟合（用青色标出）。R2将双灌注IVIM模型确定为最佳；c胎儿体素的单体素拟合（用黄色标出）。我们创建了参数图，以便对整个胎盘组织中的参数进行半定性可视化。由于体素级拟合是一个耗时的操作，并且我们需要分析多于一个切片，因此使用“TreeBagger”函数（Matlab 2021a）来进行参数图绘制，该函数是一种基于决策树的非线性回归机器学习算法。我们使用了200棵树和100,000个使用方程式3获得的合成训练信号（没有固定D和f）。多变量分析和ROC曲线在这项工作中，我们考虑了两种不同的模型：1）IVIM模型，其中选定的特征分别是胎儿和母体侧的IVIM参数：\({f}_{f}\)、\({D}_{f}\)、\({D}_{f}^{*}\)和\({f}_{m}\)、\({D}_{m}\)、\({D}_{m}^{*}\)；2）双灌注IVIM模型，其中选定的特征分别是：\({f}_{1f}\)、\({f}_{2f}\)、\({D}_{f}\)、\({D}_{2f}^{*}\)和\({f}_{1m}\)、\({f}_{2m}\)、\({D}_{m}\)、\({D}_{2m}^{*}\)。我们想测试哪种模型在区分病理病例方面表现最好。数据集被分为五个部分（使用Scikit-learn的StratifiedKFold函数，Python）。我们对每个部分进行了单变量特征选择，使用Mann–Whitney测试并进行了Bonferroni校正（p值\(\le 0.05/n\)，其中n是特征的数量）。然后，通过设置阈值p<0.8的Pearson相关性测试选择了最佳的不相关特征。此时，特征使用z分数进行了标准化，并进行了带Lasso正则化的逻辑回归[52]。此时，考虑了所有测试集的累积情况，通过事后自助法（a-posteriori bootstrapping）获得了置信区间（IC），并进行了1000次自助法。我们还计算了准确率、精确度、召回率、F1分数和Youden指数下的AUC。通过Welch’s T检验评估了健康胎盘和病理胎盘之间的差异。还进行了ROC曲线分析，以评估双灌注的诊断能力。在模型的参数和妊娠年龄之间进行了Pearson相关性分析。显著性水平设置为p值\(\le 0.05\)。对单个体素进行了R2分析，以直接比较IVIM和双灌注IVIM模型。结果IVIM结果显示，来自母体和胎儿ROI的两个体素的IVIM拟合分别显示在图1b和c中。IVIM结果显示，COVID-19组胎儿侧的D和D*值显著高于健康组（表1，图2）。灌注分数\(f\)在两组之间没有显著差异（表1，图2e–f）。在健康组（Pearsons系数r=?0.55，p=0.01）和COVID-19组（r=?0.62，p=0.03）中，发现扩散系数D与GA之间存在显著的负相关。表1显示了健康和COVID-19患者胎儿和母体侧的IVIM指标的平均值。全尺寸表格图2的替代文本可能是使用AI生成的。IVIM结果。a胎儿侧的扩散系数箱形图显示COVID-19组的值显著高于p<0.05；b母体侧的扩散系数箱形图显示没有显著差异；c胎儿侧的血流量\(D^{*}\)箱形图显示病理受试者的值显著高于p<0.05；d母体侧的灌注分数f箱形图显示没有显著差异；e胎儿侧的灌注分数f箱形图显示没有显著差异；f母体侧的灌注分数f箱形图显示没有显著差异。双灌注IVIM结果显示，来自母体和胎儿ROI的两个体素的双灌注IVIM拟合分别显示在图1b和c中。双灌注IVIM结果显示，健康胎盘胎儿侧的灌注分数\({f}_{2}\)显著高于COVID-19组，而COVID-19组母体侧的最低灌注系数\({D}_{2}^{*}\)显著高于健康组（表2，图3）。表2显示了健康和COVID-19组胎儿和母体侧的双灌注指标的平均值。D和\({f}_{IVIM}\)已在表1中报告，因此不再赘述。全尺寸表格图3的替代文本可能是使用AI生成的。双灌注IVIM结果。a胎儿侧的灌注分数f1箱形图显示没有显著差异；b母体侧的灌注分数f1箱形图显示没有显著差异；c胎儿侧的灌注分数f2箱形图显示健康受试者的值显著高于p<0.05；d母体侧的灌注分数f2箱形图显示没有显著差异；e胎儿侧的灌注系数D2*箱形图显示没有显著差异；f母体侧的灌注系数D2*箱形图显示病理受试者的值显著高于p<0.05；g胎儿侧的灌注系数D1*箱形图显示没有显著差异；h母体侧的灌注系数D1*箱形图显示没有显著差异。灌注分数\({f}_{1}\)在两组之间没有显著差异（图3a–b），而灌注系数\({D}_{1}^{*}\)显示出不稳定的值，对所有来源的伪影（如噪声、运动伪影和组织异质性）都很敏感。除了前一节已经讨论过的扩散系数与GA之间的相关性外，没有发现其他相关性。图4显示了在两位不同受试者中获得的参数图：一位受到SARS-CoV-2的影响，一位是健康的。图4的替代文本可能是使用AI生成的。全尺寸图像：a左侧是30周的COVID-19组胎盘，右侧是29周的健康胎盘。DWI显示在b=200 s/mm2，胎盘用蓝色标出。b扩散系数D图显示COVID-19胎盘的胎儿侧值明显高于健康胎盘；c D2*图显示COVID患者的左侧D2*值更高；d f1图；e f2图。多变量和ROC曲线结果Mann–Whitney测试没有特征选择；因此，我们决定考虑所有可能的特征。Pearson相关性测试结果排除了母体侧的扩散系数D作为一个重要特征。图5a中的ROC分析显示，双灌注IVIM模型在区分健康组和COVID-19组方面表现最佳，AUC得分AUC=0.82（0.64–0.95），而传统IVIM模型的AUC为0.77（0.56–0.93）。图5b和c显示了特征对分类的重要性，突出了IVIM模型中胎儿侧的主要重要性（图5b）。另一方面，双灌注IVIM模型显示出母体侧的最慢灌注系数\({D}_{2m}^{*}\)的重要性更大（图5c）。Youden指数下逻辑回归的性能结果显示在表3中。图5的替代文本可能是使用AI生成的。全尺寸图像：a ROC曲线；b IVIM特征对分类的重要性条形图。c 双灌注IVIM特征对分类的重要性条形图。表3显示了在Youden指数下计算的逻辑回归的性能。全尺寸表格讨论在这项工作中，我们比较了应用两种生物物理模型所得到的结果：IVIM模型和Maiuro等人首次提出的双灌注IVIM模型[49]。IVIM的发现证实了文献中关于COVID-19胎盘MRI研究的结果[39]。确实，正如Ercolani等人[39]所建议的，COVID-19组的扩散系数值高于健康组，这可能表明胎盘实质的微结构受损，导致组织破坏，从而允许更高的生物水扩散。这一结果也得到了Bouachba等人的支持[16]，他们分析了几个病理胎盘的组织学，发现大量的胎盘损伤，导致滋养层坏死和血管通透性增加[53, 54]。我们工作中发现的高灌注系数D*值也被Ercolani等人[39]找到，尽管它们在统计上并不显著。这种差异可能是因为采用的拟合方法不同：Ercolani等人使用了名为“Siemens MR Body Diffusion Toolbox”的原型软件，而我们在工作中使用了“材料与方法”部分描述的自制Phyton脚本，在其中我们使用单指数函数固定了扩散系数参数，以使拟合过程尽可能稳定。IVIM灌注系数包含了胎盘中所有灌注状态的均值，换句话说，它对滋养层和绒毛树活动定义的最慢和最快两个 compartment都敏感。在这种情况下，病理受试者胎儿侧的D*值较高可能表明通透性降低或存在阻碍或阻塞液体灌注的生物结构。与Ercolani等人[39]一致，当我们使用IVIM模型时，没有发现灌注分数参数\(f\)的任何差异。此外，考虑的妊娠年龄范围（27–34周）足够窄，可以忽略组织的老化。我们只有一位病理受试者的妊娠年龄超出了这个范围（36周），但其数据与同一组中的其他受试者没有显著差异。另一方面，双灌注IVIM模型显示了一些新的有趣发现。实际上，与传统的IVIM模型所强调的不同，我们发现COVID-19组的\({f}_{2}\)灌注分数有所改变，其值低于健康组。可以合理地认为，由于绒毛间隙中的血液流动是湍流的，颗粒比在绒毛树中的移动更快，因此这个特定kompartment的扩散系数应该是最高的。为了区分这种运动状态，应该使用较小的b值，正如Hutchinson等人[55]所建议的，他们使用了以下b值（0, 1, 3, 9, 18, 32, 88, 110, 147, 180, 200, 230, 270, 300, 350, 400, 450, 500 s/mm2）。由于我们应用的b值分布较广，不足以完全反映这种湍流效应，因此在IVS中观察到的宏观伪扩散现象可能比在具有更为规则血流运动的绒毛膜和血管树中的情况要低，Solomon等人[56]也提出了这一点。正如Maiuro等人[49]针对胎儿生长受限（FGR）的研究所示，较低的f2灌注分数可能表明母亲与胎儿之间的营养物质交换受到障碍，这验证并支持了Bouachba等人[16]的发现。我们还发现，在COVID-19患者组中，最慢灌注系数D2*的值比健康组更高。最慢灌注分数与滋养层活性及所有胎盘组织的交换机制有关。当SARS-Cov-2病毒感染人体时，会导致ACE2基因下调和蛋白脱落，从而引发炎症和血管通透性增加等问题[53, 54]。事实上，受SARS-Cov-2影响的女性胎盘表现出蜕膜动脉病变[27]以及由于淋巴细胞浸润基底蜕膜而引起的慢性蜕膜炎[57, 58]，这些因素都导致了毛细血管尺寸的减小。在这种情况下，我们的研究结果可能与蜕膜炎有关，蜕膜炎导致了毛细血管口径的缩小，从而使得D2*值升高。这里讨论的结果表明COVID-19胎盘存在血管灌注异常[20, 59]，并且胎盘的扩散和灌注部分都发生了显著变化。最后，ROC曲线分析进一步证实了双灌注IVIM模型作为胎盘疾病诊断工具的强大潜力。特征重要性条形图突显了f2灌注分数和母体D2*在利用双灌注IVIM模型对两组进行分类时的核心作用。

**局限性**
本研究存在一些局限性。首先，尽管受试者队列规模较小，但健康组和COVID-19患者组在妊娠年龄（GA）上是匹配的。此外，受SARS-CoV-2影响的女性症状存在异质性，因此她们可能表现出不同的胎盘病变。该研究的另一个限制是缺乏患者的临床结局数据，以及由于疫情期间实施的法规限制，无法进行组织学分析。尽管如此，此处报告的研究结果仍显示出希望，并为未来关于人体胎盘病毒感染的进一步研究指明了方向。

**结论**
在本文中，我们展示了双灌注IVIM模型作为SARS-CoV-2妊娠期间胎盘组织母体血管灌注异常诊断工具的潜力，其结果与之前在胎儿生长受限（FGR）病例中获得的结果相似。较低的最慢灌注分数f2值以及组织间的交换能力（如滋养层活性）受损，都提示了营养物质的交换存在障碍，这是母体血管灌注异常的典型特征。未来的研究将涉及其他病毒感染情况，并招募更大的受试者队列，同时采用定量灌注成像方法来进一步验证双灌注IVIM模型的有效性。