人工智能超声在非酒精性脂肪肝评估中的应用进展

闫路坦; 杜秋争; 周霖; 王肖辉

doi:10.3877/cma.j.issn.1672-6448.2026.01.013

中华医学超声杂志（电子版） >

2026 , Vol. 23 >Issue 01: 88 - 91

DOI: https://doi.org/10.3877/cma.j.issn.1672-6448.2026.01.013

综述

人工智能超声在非酒精性脂肪肝评估中的应用进展

闫路坦 ,
杜秋争 ,
周霖 ,
王肖辉 ^,¹^,^†

展开

¹　450052　郑州大学第一附属医院超声医学科
²　450052　郑州大学第一附属医院药学部

通信作者：

王肖辉，Email：xhhyykl@126.com

Copy editor: 汪荣

收稿日期: 2025-10-29

网络出版日期: 2026-04-22

基金资助

河南省卫生健康委省部共建重点项目(SBGJ202402061)

河南省自然科学基金(252300423894，262300421657)

版权

未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计，除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。本刊为电子期刊，以网刊形式出版。

收起

Advances in application of artificial intelligence ultrasound imaging in assessment of nonalcoholic fatty liver disease

Lutan Yan ,
Qiuzheng Du ,
Lin Zhou

Expand

Received date: 2025-10-29

Online published: 2026-04-22

Copyright

No content published by the journals of Chinese Medical Association may be reproduced or abridged without authorization. Please do not use or copy the layout and design of the journals without permission.

All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.

Fold

本文引用格式

闫路坦 , 杜秋争 , 周霖 , 王肖辉 . 人工智能超声在非酒精性脂肪肝评估中的应用进展[J]. 中华医学超声杂志（电子版）, 2026 , 23(01) : 88 -91 . DOI: 10.3877/cma.j.issn.1672-6448.2026.01.013

随着全球肥胖率持续升高，非酒精性脂肪肝（non-alcoholic fatty liver disease，NAFLD）患病率显著增长，已成为常见慢性肝脏疾病，对公共健康构成威胁。目前，诊断NAFLD的金标准是肝活检，但因其为侵入性操作存在出血风险，并且还可能存在取材偏差，难以作为常规筛查手段。CT和MRI虽对脂肪检测敏感度较高，但存在辐射危害和费用较高的不足，不适用于大规模筛查。超声作为一种可重复、简便且无辐射、成本低的检查技术，通常会作为检测NAFLD的首选，但是超声对轻度脂肪变性的敏感度较弱，并且对超声医师的经验有相当大的依赖性。

当前，人工智能（artificial intelligence，AI）已在医学成像的多个领域得到应用，尤其在超声领域展现出显著的优势与发展潜力。AI在超声领域的应用可有效应对轻度脂肪变性评估敏感度低及医师操作经验依赖的问题。因此，基于目前AI在NAFLD超声中的应用特点，本文主要从定性诊断辅助、定量指标分级评估两个方面，对AI在NAFLD超声诊断中的应用进展进行综述。

一、NAFLD概述

NAFLD是与代谢功能异常紧密相关的慢性肝脏病症，其判定依据包括：肝脏中超过5%的肝细胞出现脂肪变性，同时患者不存在过量饮酒行为，且没有其他类型的慢性肝脏疾病^［1］。研究发现，NAFLD在全球的患病率呈现持续增长的趋势^［2,3,4］。NAFLD的病理进展呈进行性恶化特征：单纯性肝脂肪变性逐步发展，最终可能导致肝硬化和肝细胞癌^［5］。因此，早期精准诊断对阻断疾病进展至关重要，可避免因诊断延迟导致疾病从早期可控向晚期难治发展。

二、NAFLD智能模型的发展

AI应用于超声领域经历了从传统的机器学习阶段更新迭代到深度学习阶段，不同阶段AI超声的定义、特点及其应用见表1。

表1 人工智能的定义、特点及其在超声领域的应用

术语	定义	特点	应用
机器学习	让计算机通过“学习数据规律”自动改进性能，无需人工编写显式决策规则的技术	①需专家提取数据特征；②对数据量要求适中，计算资源需求较低	①超声病灶分类与筛查；②超声图像质量评估；③超声量化分析（简单指标）
深度学习	机器学习的子集，通过多层神经网络（深度神经网络）自动从数据中学习“分层特征”	①无需人工提取特征，擅长处理复杂数据；②需大规模标注数据和高计算资源	①超声图像精细分割；②复杂病灶检测与定位；③超声图像增强与去噪
迁移学习	将“源任务”中学习的知识迁移到“目标任务”，提升目标任务性能	①降低数据依赖；②提升泛化能力	①罕见病超声诊断；②基层医院小样本超声任务
卷积神经网络	深度学习中专门针对网格结构数据（如图像、文本）的经典模型，是深度学习的重要应用载体	①抗噪能力较强；②能较为准确地识别病灶，帮助减少人为阅片的误差	①复杂病灶的检测与定位，并可辅助判断病灶良恶性；②超声生理参数的测量；③改善超声图像的质量

（一）传统机器学习探索期

机器学习中最为常用的学习方法是监督学习，监督学习可以帮助人类通过某个特征对大量的数据进行分类，但是其需要人工标注数据特征，所以相对来说比较耗时，且相较于深度学习的模型，诊断率较低。Zamanian等^［6］总结的NAFLD相关AI模型中，较早期的AI算法主要是通过机器学习中监督学习的方法帮助超声进行NAFLD的诊断，具体的算法类型有支持向量机、逻辑回归、贝叶斯分类器、随机森林、决策树等。2015年左右的机器学习模型，就已经实现NAFLD的初步识别，为后续的AI模型奠定了基础^［7］。

（二）深度学习突破期

传统的深度学习有了突破性进展后，还进一步发展了迁移学习和卷积神经网络，其应用于超声领域的算法也不断涌现。其中，核心应用卷积神经网络可自动提取超声图像特征，辅助超声诊断NAFLD，且能对NAFLD进行分期诊断，包括纤维化阶段以及人工超声较难诊断的轻度NAFLD，且可提高NAFLD诊断的准确性。

三、AI在NAFLD超声诊断及分级评估方面的研究进展

（一）NAFLD诊断方面的模型

AI辅助超声通过不同算法模型，实现了对NAFLD的高效识别，且在特异度、准确性等关键指标上表现突出，为无创诊断提供了多元解决方案。

NAFLD在超声图像上的表现主要为肝脏回声弥漫性增强（明亮肝，肝脏实质回声显著高于肾脏皮质）、后方回声衰减、肝内管道结构显示不清，及肝脏轻至中度肿大、边缘圆钝。根据NAFLD与正常肝脏超声图像的不同纹理特征，可以使用机器学习的方法人工定义并标记NAFLD的图像特征，训练出可以诊断NAFLD的机器学习模型。Das 等^［8］开发了一种基于超声图像纹理特征的机器学习集成模型，该模型能够区分儿童中NAFLD与健康的肝脏组织，其在外部验证集中的受试者工作特征曲线下面积（area under the curve，AUC）为0.92（95%置信区间：0.91~0.94），测试集AUC达0.95（95%置信区间：0.93~0.97），内部验证集AUC为0.969，诊断效能优异。从基础机器学习模型来看，一项前瞻性试验表明^［9］，基于超声的机器学习模型在NAFLD识别中展现出良好性能，其在外部测试集鉴别NAFLD与非NAFLD的特异度为 94.6%（95%置信区间：88.7%~98.0%），阳性预测值为93.1%（95%置信区间：86.0%~96.7%），同时实现敏感度72.2%、阴性预测值77.3%、总准确率83.4%，提示该模型具有较高的诊断特异度与阳性预测价值，证实其可作为NAFLD高危人群筛查的有效工具。

机器学习模型为深度学习模型的迭代优化奠定了基础，深度学习模型辅助超声诊断的准确性与可靠性得到显著增强。Han等^［10］开发的一维卷积神经网络算法在区分NAFLD与继发性脂肪肝时，准确性达96%、敏感度97%、特异度94%。该深度学习模型预测的肝脏脂肪分数与磁共振质子密度脂肪分数（magnetic resonance imaging-proton density fat fraction，MRI-PDFF）高度相关，并对超声设备的焦距、增益等设置变化表现出良好的鲁棒性，显示出广阔的临床应用前景。

为进一步突破单一深度学习模型的性能瓶颈，组合深度学习算法应运而生。Zamanian等^［11］的研究中将Inception-ResNetv2、GoogleNet、AlexNet、ResNet101四种预训练卷积神经网络进行特征融合，并与支持向量机结合构建混合深度学习模型，用于NAFLD超声图像二分类诊断。结果显示，该混合模型AUC达到0.9999，准确率为98.64%，敏感度97.20%，特异度100%，10折交叉验证损失仅3.40×10^-3。与单一网络相比，混合模型在综合判别能力上优于Inception-ResNetv2（AUC=0.9757）、GoogleNet（AUC=0.9960）、AlexNet（AUC=0.9963），并略高于ResNet101（AUC=0.9998）；在模型稳定性方面，其交叉验证损失远低于各单一网络（3.54×10^-2~4.22×10^-2），泛化能力更强。上述数据证实，混合深度学习模型的诊断性能优于任何单一网络，并能最大程度减少对人工操作与专家经验的依赖，为NAFLD的诊断提供了更为客观与精准的工具。

NAFLD的诊断既可依据其与正常肝脏存在差异的纹理特征，亦可通过回声特征予以鉴别。正常情况下，肝脏的超声回声强度略高于或与肾脏皮质回声相近，当肝细胞内脂肪堆积时，脂肪会增强超声波的反射，导致肝脏回声强度升高，且升高程度与脂肪浸润量呈正相关。因此，通过对比肝脏与肾脏的回声差异，可间接判断脂肪浸润的严重程度。Cha等^［12］开发并验证了由深度卷积神经网络（deep convolutional neural network，DCNN）计算的肝肾指数（hepatorenal index，HRI）的全自动量化，且DCNN计算速度极快，远超医师手动测量效率：其平均耗时80 ms（75~134 ms），可实现肝肾分割、感兴趣区提取与亮度比值计算一体化处理，与医师手动测量（30~60 s/幅）相比，效率提升375~750倍，可在超声检查中实时输出结果，不延长检查时间。Gabeta等^［13］评论了Santor等开发的自动肝肾指数（hepatorenal index automated，HRIA）算法，与人工计算的HRI相比（r=0.69，P＜0.0001），HRIA与MRI-PDFF的相关性更高（r=0.79，P＜0.0001）；更为关键的是，HRIA可在20 s内完成计算，显著缩短检测时间，同时减少了人工操作的变异性，尤其对中重度脂肪变性的识别效能突出（AUC=0.98）。

深度学习技术的持续发展，进一步推动了定量超声领域的创新与进步。基于神经网络的超声背散射零差K成像技术，能够对NAFLD进行有效评估，为该疾病的定量超声诊断提供了前景广阔的新工具^［14］。此外，迁移学习是在深度学习基础上提升模型性能的高效路径。Constantinescu等^［15］的研究采用Inception-v3与VGG-16预训练模型，对超声图像进行正常肝脏或者NAFLD的分类，其准确性均超过90%，验证了该路径可有效促进诊断模型的快速临床转化。

从系统性综述视角来看，Nduma等^［16］对13项AI辅助超声诊断NAFLD的研究分析显示，卷积神经网络、支持向量机、人工神经网络等AI分类器的诊断准确性普遍在83%~100%，特异度与敏感度均较高，尤其在早期NAFLD检测中价值显著；同时AI技术有效减少了超声诊断的观察者间差异。然而，该综述也指出了当前研究的局限性：多数研究样本量有限（不足100例），且因算法与成像技术缺乏标准化，导致结果可比性差，部分高准确性可能存在过拟合风险。

（二）NAFLD分级方面的模型

NAFLD可根据脂肪浸润程度分为轻、中、重度NAFLD。其中轻度脂肪肝的超声图像表现为肝实质回声轻度增强，后方回声衰减不明显，膈肌显示清晰，肝内血管结构仍可辨认，所以轻度NAFLD在超声图像上的表现并不明显，也正因如此，AI的辅助诊断就显得十分重要。深度学习可以自动标记并识别NAFLD超声图像中的病灶特征，这对于NAFLD的分级有着强有力的帮助，一项纳入全球17项研究的系统评价与Meta分析显示，在医师难以判别的轻度NAFLD中，AI表现出显著优势，其判别AUC可达0.85~0.97，效能显著优于人工评估^［17］。Yang等^［18］开发并验证一款两部分神经网络模型，先由辅助部分提取超声特征，再由主部分基于这些特征进行分级诊断，这种设计使AI诊断过程更透明，更符合临床逻辑，其对肝脂肪变性四分类（无、轻度、中度、重度）的总体准确性为76.3%。

超声图像存在斑点噪声、模糊、伪影等质量问题，易导致误诊，传统的超声检测方法依赖医师选取的感兴趣区域和医师的操作经验，有较强的主观性。Rhyou等^［19］的研究针对这一局限性，提出级联深度学习神经网络模型，实现肝脂肪变性的全自动、高精度诊断与严重程度分级，该级联模型在测试集上达到99.91%的准确性，敏感度99.78%、特异度100%，深度学习针对超声视图的优化也提升了分级可靠性。Byra等^［20］发现，基于不同肝脏超声视图的深度学习模型中，单视图以右侧门后静脉横切面性能最优（诊断AUC为0.90，量化Spearman相关系数为0.78），而多视图集成模型表现更佳（诊断AUC 0.91/0.86，量化Spearman相关系数0.81）。

基础参数与深度学习的结合是分级诊断的重要思路。Cao等^［21］的研究发现，深度学习在评估严重程度方面表现最优，尤其对中重度NAFLD的诊断，AUC达0.958，显著优于传统参数。Drazinos等^［22］的研究以肝活检为金标准，比较不同深度学习网络的分级性能，该研究结果显示，图像增强可显著提升模型性能，而纤维化导致的高剪切波弹性成像刚度值可能降低网络模型的性能，需在临床应用中纳入考量。

NAFLD的分级模型中，深度学习算法的优势较机器学习更为显著。Li等^［23］进一步指出，深度学习在NAFLD分级中的性能已超越传统机器学习，其凭借图像识别与分类优势，不仅能处理原始超声射频数据、自动量化HRI，还可整合多模态数据，最大规模研究含3310例患者，模型AUC达0.85~0.93，可准确区分轻度至重度脂肪变性，且减少了对操作者经验的依赖，降低主观性干扰。而针对多中心、多设备场景，Li等^［24］开发的深度学习算法在两个多超声扫描仪队列中，在跨视图和设备条件下，提供了可靠的定量脂肪变性评估，性能与控制衰减参数相当或更优，为技术标准化推广奠定了基础。

随着深度学习模型的更新迭代，AI辅助超声诊断NAFLD的精准度进一步提升。宋镒凯等^［25］开发的AI辅助诊断系统中，脂肪肝分级分析模块在测试集的准确性达84%，可辅助医师快速判断病情严重程度；郭丽娟等^［26］提出的注意力机制+预训练VGG16+Stacking集成学习混合模型，实现了NAFLD严重程度的四分类，准确性达91.34%，优于传统神经网络模型（≤89.41%），展现出良好的分类效能。

部分深度学习模型还展现出与高端无创技术相当的性能。Chou等^［27］基于ResNet-50 v2开发的深度学习模型，利用腹部超声图像对脂肪肝严重程度进行分类，该模型的深度学习系统在脂肪肝超声图像分类中AUC达0.996，对轻度和中重度脂肪肝的诊断敏感度分别为88.7%和92.7%，性能接近昂贵的无创诊断技术，如MRI-PDFF、磁共振波谱（magnetic resonance spectroscopy，MRS），且能减少不必要的肝活检，可作为肝活检患者的初筛工具。

深度学习技术的发展在辅助NAFLD超声定量评估分级方面实现了进一步突破。Kwon等^［28］的试点研究聚焦定量超声与AI的结合，区分不同脂肪变性等级的AUC范围达0.93~0.99，诊断效能优异。Nguyen等^［29］的研究显示，基于原始射频信号1D的卷积神经网络在NAFLD分类中表现优于传统定量超声结合支持向量机的方法，可将NAFLD的诊断准确性提升至更高水平。Jeon等^［30］使用定量超声参数图和B型超声模式图像的深度学习算法可准确估计NAFLD患者肝脏脂肪含量并诊断肝脂肪变性，该算法生成的超声脂肪分数与MRI-PDFF显著相关（r=0.86），诊断轻度脂肪变性（≥5%）的AUC为0.97，敏感度90%、特异度91%，诊断中重度（≥15%）的AUC为0.96。

四、小结

AI技术为NAFLD的超声诊断带来了革命性变革，其在提升诊断准确性、标准化流程和拓展应用场景方面的价值已得到多中心研究证实。经过机器学习、深度学习等技术更新迭代，AI辅助超声可以实现NAFLD高效定性与精准分级，诊断效能接近高端无创检查，可以减少肝活检等侵入性检查，非常适合大规模筛查与长期随访。因此，未来应聚焦临床诊断的需求：搭建多中心规范超声数据库，提升模型通用性；提高早期轻度脂肪变性及合并纤维化的识别精度；研发全自动定量系统，适配常规检查流程；融合多模态数据构建全周期诊疗体系，推动AI超声成为NAFLD标准化诊断与精准管理的核心工具。

从单纯诊断到分级评估，AI正逐步重塑NAFLD的诊疗体系。然而，数据标准化不足、设备兼容性有限和伦理规范缺失等挑战仍需克服。未来通过多模态整合、技术创新和临床协同，AI有望实现从辅助诊断到决策支持的跨越，为NAFLD的精准防治提供全方位解决方案，最终改善患者预后并减轻公共卫生负担。

闫路坦, 杜秋争, 周霖, 等. 人工智能超声在非酒精性脂肪肝评估中的应用进展[J/OL]. 中华医学超声杂志(电子版), 2026, 23(1): 88-91.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	Powell EE, Wong VW, Rinella M. Non-alcoholic fatty liver disease[J]. Lancet, 2021, 397(10290): 2212-2224.

2	Younossi ZM, Golabi P, Paik JM, et al. The global epidemiology of nonalcoholic fatty liver disease (NAFLD) and nonalcoholic steatohepatitis (NASH): a systematic review[J]. Hepatology, 2023, 77(4): 1335-1347.

3	许耀珑, 赵佳欣, 杨立刚. 非酒精性脂肪性肝病流行现状及危险因素研究进展[J].中国全科医学, 2024, 27(30): 3825-3834.

4	Lu R, Liu Y, Hong T. Epidemiological characteristics and management of nonalcoholic fatty liver disease/nonalcoholic steatohepatitis in China: A narrative review[J]. Diabetes Obes Metab, 2023, 25 Suppl 1: 13-26.

5	Mikolašević I, Filipec Kanižaj T, Targher G. Nonalcoholic fatty liver disease-a growing public health problem[J]. Croat Med J, 2021, 62(1): 1-3.

6	Zamanian H, Shalbaf A, Zali MR, et al. Application of artificial intelligence techniques for non-alcoholic fatty liver disease diagnosis: A systematic review (2005-2023)[J]. Comput Methods Programs Biomed, 2024, 244: 107932.

7	Kim KB, Kim CW. Quantification of hepatorenal index for computer-aided fatty liver classification with self-organizing map and fuzzy stretching from ultrasonography[J]. Biomed Res Int, 2015, 2015: 535894.

8	Das A, Connell M, Khetarpal S. Digital image analysis of ultrasound images using machine learning to diagnose pediatric nonalcoholic fatty liver disease[J]. Clin Imaging, 2021, 77: 62-68.

9	Tahmasebi A, Wang S, Wessner CE, et al. Ultrasound-based machine learning approach for detection of nonalcoholic fatty liver disease[J]. J Ultrasound Med, 2023, 42(8): 1747-1756.

10	Han A, Byra M, Heba E, et al. Noninvasive diagnosis of nonalcoholic fatty liver disease and quantification of liver fat with radiofrequency ultrasound data using one-dimensional convolutional neural networks[J]. Radiology, 2020, 295(2): 342-350.

11	Zamanian H, Mostaar A, Azadeh P, et al. Implementation of combinational deep learning algorithm for non-alcoholic fatty liver classification in ultrasound images[J]. J Biomed Phys Eng, 2021, 11(1): 73-84.

12	Cha DI, Kang TW, Min JH, et al. Deep learning-based automated quantification of the hepatorenal index for evaluation of fatty liver by ultrasonography[J]. Ultrasonography, 2021, 40(4): 565-574.

13	Gabeta S, Rigopoulou EI, Dalekos GN. Artificial intelligence supported ultrasonography: Can it be the solution for early and accurate diagnosis of steatotic liver disease[J]. Eur J Intern Med, 2024, 125: 41-43.

14	丁琪瑛, 吴水才, 崔博翔, 等. 基于神经网络的超声背散射零差K成像脂肪肝评价方法研究[J].医疗卫生装备, 2023, 44(1): 19-26.

15	Constantinescu EC, Udriștoiu AL, Udriștoiu ȘC, et al. Transfer learning with pre-trained deep convolutional neural networks for the automatic assessment of liver steatosis in ultrasound images[J]. Med Ultrason, 2021, 23(2): 135-139.

16	Nduma BN, Al-Ajlouni YA, Njei B. The application of artificial intelligence (AI)-based ultrasound for the diagnosis of fatty liver disease: a systematic review[J]. Cureus, 2023, 15(12): e50601.

Jagadeesh

, Aramrat

, Rai

, et al. Diagnostic accuracy of convolutional neural networks in classifying hepatic steatosis from B-mode ultrasound images: a systematic review with meta-analysis and novel validation in a community setting in Telangana, India[J]. Lancet Reg Health Southeast Asia, 2025, 40:100644.

18	Yang Y, Liu J, Sun C, et al. Nonalcoholic fatty liver disease (NAFLD) detection and deep learning in a Chinese community-based population[J]. Eur Radio, 2023, 33(8): 5894-5906.

19	Rhyou SY, Yoo JC. Cascaded deep learning neural network for automated liver steatosis diagnosis using ultrasound images[J]. Sensors (Basel), 2021, 21(16): 5304.

20	Byra M, Han A, Boehringer AS, et al. Liver fat assessment in multiview sonography using transfer learning with convolutional neural networks[J]. J Ultrasound Med, 2022, 41(1): 175-184.

21	Cao W, An X, Cong L, et al. Application of deep learning in quantitative analysis of 2-dimensional ultrasound imaging of nonalcoholic fatty liver disease[J]. J Ultrasound Med, 2020, 39(1): 51-59.

22	Drazinos P, Gatos I, Katsakiori PF, et al. Comparison of deep learning schemes in grading non-alcoholic fatty liver disease using B-mode ultrasound hepatorenal window images with liver biopsy as the gold standard[J]. Phys Med, 2025, 129: 104862.

23	Li J, Chen J, Zeng X, et al. Update of machine learning for ultrasound diagnosis of metabolic dysfunction-associated steatotic liver disease: a bright future for deep learning[J]. PeerJ, 2025, 13: e19645.

24	Li B, Tai DI, Yan K, et al. Accurate and generalizable quantitative scoring of liver steatosis from ultrasound images via scalable deep learning[J]. World J Gastroenterol, 2022, 28(22): 2494-2508.

25	宋镒凯, 李时杰, 梁月潇,等. 一种非酒精性脂肪性肝病的超声影像人工智能辅助诊断系统开发[J].现代生物医学进展, 2023, 23(18): 3401-3410.

26	郭丽娟, 王文娟, 王晓童,等. 基于非酒精性脂肪性肝病超声图像的预训练神经网络分类算法[J].临床超声医学杂志, 2024, 26(8): 694-701.

27	Chou TH, Yeh HJ, Chang CC, et al. Deep learning for abdominal ultrasound: A computer-aided diagnostic system for the severity of fatty liver[J]. J Chin Med Assoc, 2021, 84(9): 842-850.

28	Kwon H, Kim MG, Oh S, et al. Application of quantitative ultrasonography and artificial intelligence for assessing severity of fatty liver: A pilot study[J]. Diagnostics (Basel), 2024, 14(12): 1237.

29	Nguyen TN, Podkowa AS, Park TH, et al. Use of a convolutional neural network and quantitative ultrasound for diagnosis of fatty liver[J]. Ultrasound Med Biol, 2021, 47(3): 556-568.

30	Jeon SK, Lee JM, Joo I, et al. Two-dimensional convolutional neural network using quantitative us for noninvasive assessment of hepatic steatosis in NAFLD[J]. Radiology, 2023, 307(1): e221510.

Options

文章导航

模态框（Modal）标题