基于深度学习的预测,在患有原发性硬化胆管炎的患者中,以计算机断层扫描来预测肝脏损失补偿

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:

• 初级硬化胆炎 (PSC) 是一种慢性肝脏疾病,具有肝脏衰退的风险.
• 早期预测肝衰竭对于及时干预和改善患者结果至关重要.

研究的目的:

• 研究一种深度学习模型的有效性,用于预测PSC患者肝脏衰减的预测.
• 为了评估3D-DenseNet121模型使用计算机断层扫描 (CT) 成像的性能.

主要方法:

• 一项对277名接受腹部CT扫描的成年PSC患者进行回顾性队列研究.
• 一个3D-DenseNet121模型被训练在门静脉阶段CT图像使用5倍交叉验证.
• 通过对CT图像的不同解剖区域进行训练和在接收操作曲线 (AUROC) 下执行区域分析来评估模型的预测能力.

主要成果:

• 在CT扫描后平均1.5年后,128名患者发生了肝衰竭.
• 基线深度学习模型实现了平均AUROC为0.89 ± 0.04.
• 在不同解剖半端训练的模型显示了不同的AUROC值,表明区域对预测的贡献.

结论:

• 对CT成像的深度学习分析有可能预测PSC患者的肝衰竭.
• 在这个预测任务中,3D-DenseNet121模型表现出有希望的性能.
• 进一步的研究可以完善在PSC管理中临床应用的模型.