一个基于高频超声波图像的深度学习模型,用于分类不同阶段的肝纤维化

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:

• 慢性乙型肝炎经常导致肝纤维化,这是肝病进展的关键预测因素.
• 准确地确定肝纤维化的阶段对于及时治疗和管理至关重要.
• 目前的非侵入性方法在灵敏度和特异性方面存在局限性.

研究的目的:

• 开发和验证使用高频超声波 (HF-US) 图像用于肝纤维化病阶段的深度学习 (DL) 模型.
• 将HF-US DL模型的诊断性能与低频超声波DL模型和已确定的非侵入性标记器进行比较.

主要方法:

• 一项追溯的多中心研究,涉及慢性乙型肝炎患者,他们接受了HF-US和低频超声波.
• 在配对超声图像上训练的高频深度学习 (HF-DL) 和低频深度学习 (LF-DL) 模型的开发.
• 根据病理学结果进行验证,比较HF-DL,LF-DL,FIB-4,APRI和剪波弹性学 (SWE).

主要成果:

• 与LF-DL,FIB-4,APRI和SWE相比,HF-DL模型在所有纤维化阶段都显示出更高的诊断性能.
• 值得注意的是,HF-DL模型在分类晚期纤维化方面表现出色,达到高精度.
• 在识别有纤维化患者和排除没有纤维化患者时,性能得到改善.

结论:

• 高频超声波与深度学习相结合,为非侵入性肝纤维化病阶段测定提供了强大的工具.
• 该HF-DL模型超越了现有的非侵入性方法,特别是在高级纤维化检测方面.
• 这种方法在改善慢性乙型肝炎患者的临床管理方面具有显著的潜力.