基于多参数MRI的EfficientNetV2-S方法用于诊断肝纤维化的诊断性能

科学领域:

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

背景情况:

• 深度学习模型对肝纤维化阶段表现有前途.
• 提高培训效率对于快速诊断和肝纤维化的精准医学至关重要.

研究的目的:

• 使用EfficientNetV2-S框架开发用于肝纤维化病阶段的非侵入性预测模型.
• 评估这些模型的诊断性能和训练效率.

主要方法:

• 对慢性肝病患者进行多参数腹部MRI的回顾性研究.
• 应用数据增强技术来解决数据不平衡的问题.
• 使用EfficientNetV2-S模型预测肝纤维化阶段 (F1-2,F1-3,F3,F4,F3-4).
• 使用接收器操作特征 (ROC) 曲线分析评估诊断性能.

主要成果:

• EfficientNetV2-S模型在各种纤维化阶段差异化中实现了高诊断性能.
• 对于F1-2与F3,准确率为96.2%,灵敏度为96.4%,特异性为96.0% (AUC为0.559).
• 对于F1-2和F3-4,准确率为82.1%,灵敏度为74.5%,特异性为89.6% (AUC为0.763).
• 针对EfficientNetV2-S的总培训时间约为6小时.

结论:

• 使用多参数MRI的EfficientNetV2-S模型可用于肝纤维化病阶段.
• 这些模型表现出高训练速度和诊断准确度.
• 这种方法支持快速诊断和肝纤维化的精准医学.