从超声波B模式图像中自动诊断显著的肝纤维化,使用手工制作的功能辅助深度卷积神经网络

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 肝病学 肝病学是一种肝病学.

背景情况:

• 对显著肝纤维化 (≥F2) 的准确诊断对于管理慢性肝病 (CLD) 和指导抗病毒治疗至关重要.
• 目前的诊断方法可能具有侵入性或缺乏足够的准确性,无法及时干预.
• 评估肝纤维化的非侵入性方法在临床实践中非常受欢迎.

研究的目的:

• 提出和验证一种新型的手工特征辅助深卷积神经网络 (HFA-DCNN),用于自动和准确诊断显著的肝纤维化.
• 评估HFA-DCNN模型在使用超声波 (US) B模式图像区分肝纤维化不同阶段的性能.
• 将拟议的HFA-DCNN模型的诊断疗效与现有方法进行比较.

主要方法:

• 开发一个HFA-DCNN模型,集成自动兴趣区域 (ROI) 分段,注意力深度特征学习和手工特征提取.
• 融合深度学习功能和手工制作的功能,以提高诊断准确度.
• 模型在321名病理确认纤维化阶段的CLD患者的数据集上使用五重交叉验证 (FFCV) 验证模型.

主要成果:

• 在FFCV中,HFA-DCNN模型实现了高诊断性能:准确度为0.863,灵敏度为0.879,特异性为0.872,AUC为0.925.
• 与其他评估方法相比,拟议的模型表现出明显优异的性能.
• 性能指标的信心区间表明了强大可靠的结果.

结论:

• HFA-DCNN模型提供了一个有前途的非侵入性工具,用于在CLD患者中准确诊断显著的肝纤维化.
• 手工制作的功能与深度学习的整合增强了肝纤维化评估的诊断能力.
• 这种人工智能驱动的方法有可能改善治疗慢性肝病的临床决策.