使用非对比MRI和人工智能开发全自动化模型来分期肝纤维化:一项回顾性多中心研究

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 精确的肝纤维化 (LF) 阶段测定对于管理慢性肝病至关重要.
• 非对比性MRI (NC-MRI) 显示出对肝脏评估的希望,但其在LF预测中的作用需要进一步探索.
• 本研究重点是开发和验证使用NC-MRI数据对LF分期的AI模型.

研究的目的:

• 开发和验证人工智能 (AI) 驱动的模型,用于使用非对比MRI (NC-MRI) 确定肝纤维化 (LF) 的阶段.
• 与现有的诊断方法相比,评估AI模型在分类LF阶段中的有效性.

主要方法:

• 对1726名患者 (发育/内部测试队列) 和337名患者 (外部测试队列) 的回顾性分析,这些患者接受了NC-MRI (T1WI,T2FS) 和肝脏活检.
• 使用3D上下文变压器网络和物流回归,开发AI分类模型 (T1,T2FS,临床,图像,融合).
• 使用接收器运行特征曲线 (AUC) 下面面积的模型性能评估,并与短暂弹性学,血清生物标志物和放射学家进行比较.

主要成果:

• 融合模型实现了高AUC:0.810 (显著LF),0.881 (高级LF) 和0.918 (肝硬化) 在内部测试队列中.
• 外部验证显示了可比的AUC:0.808,0.868和0.925对于各自的阶段.
• 人工智能模型显著优于瞬态弹性学和血清生物标志物,并帮助放射科医生提高LF评估准确性.

结论:

• 使用NC-MRI (T1WI和T2FS) 的人工智能驱动模型提供了肝纤维化的准确分期.
• 这些模型为LF评估提供了一个有希望的,非侵入性的方法,超越了传统方法.
• 整合人工智能模型可以提高医疗保健专业人员在治疗肝病方面的诊断能力.