对常规MRI进行临床显著肝纤维化选的全自动化混合方法:一个多中心队列研究

科学领域:

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

背景情况:

• 临床显著肝纤维化 (SF,≥F2) 的准确的非侵入性诊断至关重要,但仍然具有挑战性.
• 目前的非侵入性方法需要改进,以便精确地确定纤维化阶段.

研究的目的:

• 开发和验证一个联合放射学-诊所 (CoRC) 模型,用于显著肝纤维化的非侵入性分类.
• 评估CORC模型对基于过渡性弹性学的肝硬度测量 (TE-LSM) 的附加值.

主要方法:

• 一项对595名活检证明肝纤维化患者的回顾性研究.
• 在基于MRI的肝脏细分上使用深度学习 (ResUNet) 开发放射学分数.
• 将放射学分数和临床变量集成到CORC模型中,使用后勤回归.

主要成果:

• 在内部,时间和外部测试组中,CoRC模型显示出高诊断性能 (AUC 0.79-0.82),表现优于FIB-4和APRI.
• 该模型在早期纤维化阶段 (G0-1) 保持了歧视力.
• 将CoRC与TE-LSM结合起来,进一步提高了诊断准确度 (AUC 0.81-0.86).

结论:

• 委员会研究委员会的模型是有效的非侵入性选显著的肝纤维化.
• 当与TE-LSM相结合时,CoRC模型提供了附加值,可能改善肝纤维化评估.