基于超声波放射学的非酒精性脂肪肝炎诊断的机器学习模型

科学领域:

• 肝病学 肝病学是一种肝病学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 非酒精性脂肪肝炎 (NASH) 是一种渐进式的非酒精性脂肪肝疾病 (NAFLD).
• 准确诊断NASH对于有效的患者管理至关重要.
• 目前的诊断方法可能具有侵入性或缺乏特异性.

研究的目的:

• 评估超声波特征和放射学在预测NASH诊断中的临床实用性.
• 开发和验证用于NASH预测的机器学习模型.
• 为了比较临床,放射性和联合诊断模型的性能.

主要方法:

• 建立了一种使用高脂肪饮食和CCl4.的肝肥症的老鼠模型.
• 获得的肝脏超声波图像,弹性图像,血清数据和组织病理学.
• 使用Pyradiomics软件和应用机器学习算法提取了放射性特征.
• 使用接收器操作特征 (ROC) 曲线,决策曲线分析 (DCA) 和校准曲线的验证模型.

主要成果:

• 结合的临床放射学模型实现了高预测性能 (AUC为0.989在培训和0.885在验证集).
• 决策曲线分析表明,临床放射性模型在超过65%的概率值的最高净收益.
• 校准曲线证实了联合放射性模型是NASH诊断的最佳.

结论:

• 基于机器学习的超声波放射学为NASH提供了显著的临床预测能力.
• 综合诊断模型显示出高精度和临床实用性.
• 这种非侵入性方法显示了改善NASH诊断的前景.