基于深度学习的超声波辅助诊断CHB与NAFLD肝纤维化并发症的研究

科学领域:

• 肝病学 肝病学是一种肝病学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 慢性乙型肝炎 (CHB) 和非酒精性脂肪肝 (NAFLD) 是常见的肝病.
• 同时存在的CHB和NAFLD的准确诊断对于有效的患者管理至关重要.
• 当前的诊断方法可能在准确性和效率方面存在局限性.

研究的目的:

• 开发和评估基于深度学习的自动分类模型,用于诊断NAFLD复杂的CHB.
• 与独立的临床医生诊断相比,评估AI模型的诊断性能.
• 确定人工智能协助对不同医生专业水平的诊断准确性的影响.

主要方法:

• 追溯分析了20540张来自2803名患有CHB和NAFLD的患者的2D肝超声波图像.
• 使用150名患者的肝活检结果进行验证.
• 在独立的临床医生之间,仅使用人工智能模型和人工智能辅助临床医生之间的诊断性能 (灵敏度,特异性,准确性,AUC) 的比较.

主要成果:

• 人工智能模型独立实现了68.9%的灵敏度,100%的特异性和69.3%的准确性.
• 在所有医生级别中,人工智能辅助诊断显著提高了灵敏度 (73.7%-75.7%) 和准确度 (74.0%-76.0%).
• 人工智能模型的AUC (0.845) 和人工智能辅助诊断AUC (0.868-0.878) 显著高于独立医生诊断 (0.622-0.669).

结论:

• 使用二维肝脏成像的深度学习模型可用于识别CHB和NAFLD患者的肝纤维化.
• 将人工智能模型集成到诊断工作流中可以大幅提高诊断复杂肝病的准确性.
• 人工智能辅助具有显著的潜力,可以改善患有同时存在的CHB和NAFLD的患者的诊断结果.