肝网:深度神经网络用于使用微波信号对早期肝硬化症进行分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 肝硬化,或脂肪肝病,是一种常见的疾病,往往是晚诊断.
• 早期发现肝硬化症对于有效管理慢性肝病至关重要.
• 目前肝硬化症的诊断方法可能是侵入性的,或缺乏早期阶段的敏感性.

研究的目的:

• 开发和验证一种基于深度学习的新型分类器,用于早期检测肝硬化症.
• 利用微波技术进行肝脏脂肪含量的非侵入性评估.
• 通过先进的计算方法提高肝硬化症诊断的准确性和可靠性.

主要方法:

• 开发一个深度学习模型,HepNet,结合卷积层与跳过连接.
• 使用3D电磁工具生成广泛的模拟数据,用于模型训练和验证.
• 应用转移学习技术,以适应模型的临床数据与有限的患者样本.
• 验证与1H-MRS (质子磁共振光谱) 作为临床试验中的黄金标准.

主要成果:

• 在模拟中,HepNet获得了0.91的高F1得分,超过了LeNet和ResNet.Net等传统模型.
• 该模型表现出强大的性能,对低的分类有0.97的置信度.
• 临床验证显示,在由94个样本和158个样本组成的患者数据集上,高F1分数分别为0.95和0.88.

结论:

• 开发的HepNet模型显示了对肝硬化症的准确和可靠的早期检测有很大的潜力.
• 微波技术与深度学习相结合,为肝脏疾病诊断提供了一个有前途的非侵入性方法.
• 这项研究强调了肝硬化评估的拟议方法的临床适用性和稳定性.