多式超声波深度学习用于检测早期慢性病中的纤维化

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 慢性病 (CKD) 构成了全球健康的重大负担.
• 早期发现纤维化对于控制CKD进展至关重要.
• 目前用于早期纤维化的诊断方法可能具有侵入性或缺乏精度.

研究的目的:

• 开发和验证一种多式超声波 (美国) 深度学习 (DL) 融合模型,用于在CKD患者中自动早期纤维化分类.
• 为了比较多模美国DL模型与单模美国DL模型和临床模型的诊断性能.

主要方法:

• 一项涉及CKD患者的前性研究,这些患者接受了灰度尺度US,优秀的微血管成像和应变弹性成像.
• 开发一个DL融合模型,整合三个美国模式的特征.
• 使用培训 (70%) 和测试 (30%) 数据集验证模型,将接收器操作特征曲线 (AUC) 下的区域与单模DL和临床模型进行比较.

主要成果:

• 多模式美国DL模型的AUC为0.86,明显超过单模式DL模型 (AUC:0.682,0.745,0.648) 和临床模型.
• 多式模式模型显示了高精度 (0.779),特异性 (0.767) 和灵敏度 (0.796).
• 负值和正值的预测值分别为0.842和0.706.

结论:

• 多模式US成像与DL结合提供了一个强大的,非侵入性的工具,用于准确检测CKD的早期纤维化.
• 与现有方法相比,开发的DL算法显著提高了早期纤维化诊断的准确性.
• 这种方法有望通过更早,更精确的纤维化评估来改善CKD管理.