超音波およびSWEベースの転移学習による線維化NASHの予測

科学分野:

• 医用画像
• 医療における人工知能
• 肝臓病学

背景:

• 非アルコール性脂肪肝炎（NASH）は進行性の肝疾患であり、しばしば線維化につながります。
• 線維化NASHの正確かつ早期の診断は、効果的な管理と治療のために非常に重要です。
• 現在の診断方法は、侵襲的であったり、線維化の段階を特定する精度が低い場合があります。

研究 の 目的:

• 線維化非アルコール性脂肪肝炎（NASH）を予測および診断するための統合深層学習モデルを開発および評価すること。
• 肝臓超音波、肝臓エラストグラフィー、および臨床的特徴を統合して、診断精度を向上させること。
• 単一モダリティモデルと比較して、マルチモーダル深層学習モデルのパフォーマンスを比較すること。

主な方法:

• 高脂肪食とCCl₄注射を用いて、肝脂肪症および線維症のラットモデルを確立しました。
• ラットモデルから2次元超音波およびせん断波エラストグラフィー（SWE）画像を取得しました。
• 純粋な超音波、純粋なエラストグラフィー、および統合されたマルチモーダルモデルの3つのResNet-18ベースの深層学習モデルを開発しました。

主要な成果:

• 統合深層学習モデルは、0.879の最高の曲線下面積（AUC）を達成しました。
• 決定曲線分析（DCA）は、線維化NASHの予測において、マルチモーダルモデルが優れた正味の利益を示すことを示しました。
• マルチモーダルモデルは、線維化NASHの予測と診断において有望なパフォーマンスを示しました。

結論:

• 超音波、エラストグラフィー、および臨床データを統合した統合深層学習モデルは、線維化NASHの診断のための強力なツールを提供します。
• マルチモーダルアプローチは、線維化NASHの予測と診断において、単一モダリティモデルを大幅に上回ります。
• このAI主導の戦略は、線維化NASHの非侵襲的かつ正確な評価に可能性を秘めています。