基于MRI的全自动卷积神经网络,用于对肝硬化进行非侵入性诊断

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 肝病学和胃肠道学
• 生物标志物发现发现

背景情况:

• 肝硬化诊断依赖于侵入性方法或不太准确的非侵入性标记物.
• 需要准确,自动化和非侵入性诊断工具来诊断肝硬化.
• 肝脏MRI和血清生物标志物具有提高诊断准确性的潜力.

研究的目的:

• 开发和验证肝硬化的自动诊断模型.
• 该模型整合了肝脏磁共振成像 (MRI) 和血清生物标志物.
• 将模型的表现与已建立的指数和人类专家进行比较.

主要方法:

• 一个多中心的回顾性研究,涉及1315名患者.
• 开发一个卷积神经网络 (CNN) 模型,使用前对比T1和T2加权的MRI.
• 综合CNN模型与年龄和8个血清生物标志物的综合诊断模型.

主要成果:

• 组合模型在外部测试数据集上实现了接收器运行特征曲线 (AUC) 下的面积为0.86.
• 该模型的表现优于纤维化-4指数 (FIB-4),AST与血小板比率指数 (APRI) 和放射学家.
• 在不同焦点肝损伤大小的子组中,诊断性能保持一致.

结论:

• 使用预对比MRI,年龄和血清生物标志物的自动化CNN模型可以以中等准确度诊断肝硬化.
• 该模型表明,无论肝脏病变的焦点大小如何,性能都不差.
• 这种方法有望促进非侵入性肝硬化诊断.