弹性图的深度学习放射学用于诊断补偿性晚期慢性肝病:一项国际多中心研究

科学领域:

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

背景情况:

• 补偿性晚期慢性肝病 (cACLD) 的准确的非侵入性诊断至关重要,但具有挑战性.
• 目前的方法,如二维剪波弹性图 (2D-SWE),在不同的人群中存在局限性.

研究的目的:

• 开发和验证基于深度学习的放射学模型,用于cACLD诊断.
• 将模型的性能与跨国际多中心数据的2D-SWE进行比较.

主要方法:

• 对1937年患有慢性肝病 (乙型肝炎,C型肝炎,MASLD) 的患者进行了回顾性分析.
• 开发一个广义的深度学习放射学弹性图像模型,整合弹性图像和刚度测量.
• 使用来自中国,日本和欧洲的国际多中心数据进行验证,使用来自三家制造商的设备.

主要成果:

• 与2D-SWE (0.83,P=0.025) 相比,深度学习模型实现了更高的AUC (0.89).
• 该模型在不同国家,病因和制造商 (P > 0.21) 中显示出一致的诊断性能.
• 2D-SWE在不同国家和病因学方面显示出不同的性能 (P < 0.005).

结论:

• 深度学习放射学模型为cACLD提供了更准确和更强大的非侵入性诊断工具.
• 这种基于人工智能的方法在不同的临床环境中,与2D-SWE相比,显示出更高的概括性.