使用腹部双参数MRI预测肝硬度的深度学习模型的多站点,多供应商开发和验证
Redha Ali1,2, Hailong Li1,2,3,4, Huixian Zhang1,2
1Imaging Research Center, Cincinnati Children's Hospital Medical Center, Cincinnati, OH, USA.
European radiology
|January 8, 2025
概括
深度学习模型使用慢性肝病患者的常规MRI扫描准确预测肝硬度. 这种人工智能方法在分类肝硬化严重程度方面显示出前景,可能减少对专门MR弹性图的需求.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肝病学 肝病学是一种肝病学.
背景情况:
- 慢性肝病 (CLD) 是一个重要的全球健康问题.
- 通过MR弹性图 (MRE) 评估的肝硬度是肝纤维化的关键指标.
- 在临床实践中经常使用非对比的腹部T1加权 (T1w) 和T2加权 (T2w) MRI.
研究的目的:
- 开发和验证深度学习 (DL) 模型,用于预测MRE衍生的肝硬度.
- 使用常规的临床非对比腹部T1w和T2wMRI数据.
- 在多个机构和系统制造商之间在儿科和成人患者中应用模型.
主要方法:
- 从四个机构 (2011-2022) 确定了疑似或已知的CLD的儿科和成人患者.
- 训练有素的DL模型使用T1w和T2wMRI数据进行肝硬度分类.
- 根据肝硬度值 (≥2.5 kPa至≥5 kPa) 分类患者进行二元分类.
主要成果:
- 这项研究分析了来自4295名患者的4695次MRI检查.
- 在3.0kPa的值下,DL模型实现了接收器运行特征曲线 (AUROC) 下的面积为0.83 (内部CV),0.82 (保持) 和0.79 (外部CV).
- 开发的DeepLiverNet2.0模型是公开的.
结论:
- DL模型在肝硬性分类方面表现出有效的诊断性能.
- 这些模型使用常规的双参数MRI在儿科和成人CLD患者中准确预测肝硬度.
- 这种人工智能模型可以对肝硬化的严重程度进行分类,从而可能减少对MRE的依赖.
