一个基于多模式超声波图像的非侵入性预测模型,用于区分恶性和良性焦点肝损伤

科学领域:

• 肝病学 肝病学是一种肝病学.
• 医疗成像医学成像
• 诊断的准确性 诊断的准确性

背景情况:

• 将焦点肝病变 (FLL) 精确分为恶性或良性类别对于有效的患者管理至关重要.
• 目前的诊断方法在区分FLL方面可能存在局限性,需要改进的非侵入性方法.

研究的目的:

• 开发和验证一个预测性名录模型,将Sonazoid对比增强超声波 (SCEUS) 和声触摸弹性图 (STE) 功能与临床数据相结合.
• 评估这个名图的诊断性能,以区分恶性与良性FLLs.

主要方法:

• 一项对262名FLL患者的回顾性研究,分为训练 (n=183) 和测试 (n=79) 组.
• 后勤回归分析 (包括LASSO) 确定了关键预测因素:年龄,ALT,动脉相超增强 (APHE),库普弗相增强和STE Emean.
• 用曲线下的面积 (AUC),C指数,校准曲线和决策曲线分析 (DCA) 来评估诊断性能.

主要成果:

• 开发的诺米图表达到0.988 (训练) 和0.978 (测试) 的高AUC.
• 诺米图显著超过了独立的CEUS LI-RADS (AUCs 0.754-0.824) 和STE (AUCs 0.909-0.923) 的表现.
• 验证指标证实了nomogram的高诊断准确性,一致性和临床实用性.

结论:

• 结合SCEUS,STE和临床特征的新型名ogram,为FLL差异化提供了一个强大的非侵入性工具.
• 这种综合方法提高了诊断性能,可能引导肝病变的个性化诊断和治疗策略.