使用放射学和深度学习模型在非对比的腹部CT上诊断脂肪肝
Haoran Zhang1, Jinlong Liu1, Danyang Su1
1Department of Radiology, The First Affiliated Hospital of Zhengzhou University, Zhengzhou, Henan Province, China.
PloS one
|February 13, 2025
概括
非对比CT放射学模型有效诊断脂肪肝疾病. 2D放射学方法,特别是使用随机森林和包装决策树算法,显示出高精度和与定量CT (QCT) 标准的一致性.
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:
- 脂肪肝是一种日益严重的健康问题.
- 准确的诊断和分类对于患者管理至关重要.
- 无对比CT是一种广泛可用的成像方式.
研究的目的:
- 评估非对比腹部CT放射学和脂肪肝深度学习模型的诊断性能.
- 为了比较2D和3D放射学和深度学习方法.
- 确定最优的模型来分类脂肪肝严重程度.
主要方法:
- 追溯分析了840名接受非对比CT和定量CT (QCT) 的个人.
- 开发和比较2D/3D放射学,深度学习和临床数据模型.
- 放射性特征是从肝脏感兴趣区域 (ROI) 提取.
主要成果:
- 使用随机森林的2D放射学模型实现了脂肪肝诊断的最高AUC (0.973).
- 使用包装决策树的2D放射学模型显示出优越的灵敏度 (0.873),特异性 (0.939) 和精度 (0.864).
- 模型与基于QCT的分类有很高的一致性.
结论:
- 二维放射学模型,特别是那些使用随机森林和包装决策树算法的人,对于诊断和分类脂肪肝疾病非常有效.
- 这些模型为肝脏脂肪评估提供了一个有希望的,非侵入性的方法.
- 这些发现支持使用放射学来改善脂肪肝诊断.
