开发一个深度学习模型,从临床标准超声波来对肝硬化症进行分类

科学领域:

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

背景情况:

• 早期发现肝硬化症对于预防疾病的进展至关重要.
• 标准灰度超声波 (US) 是一种常见的诊断工具.
• 深度学习 (DL) 为自动化图像分析提供了潜力.

研究的目的:

• 开发一个DL程序,从美国图像分类肝硬化.
• 为了区分正常肝脏和脂肪性肝脏.
• 为了分类肥胖症的严重程度 (轻度与中度/严重).

主要方法:

• 使用403个灰度美国考试 (2010-2022) 的回顾性研究.
• 数据集标有磁共振成像质子密度脂肪分数 (MRI-PDFF).
• 开发了DL多实例模型用于二进制和多类分类.

主要成果:

• S0/1与S2/3模型实现了95.9%的AUC,在区分中度/重度肥胖症方面表现出高准确性.
• 在S0与S1/2/3模型对比下,在检测任何肥胖症时,AUC显示为81.3%.
• 多种类型的模型在不同类型的肥胖症中提供了准确的分类.

结论:

• 开发的DL程序显示了肝硬化病检测和分类的高灵敏度和准确性.
• 这种人工智能工具可以增强标准超声波用于肝脂肪评估的实用性.
• 有可能改善脂肪肝疾病的早期诊断和管理.