基于深度学习的预测显著的门高血压与单个横截面非增强CTCT
Akira Yamamoto1, Shingo Sato2, Daiju Ueda3
1Department of Diagnostic and Interventional Radiology, Graduate School of Medicine, Osaka Metropolitan University, Osaka, Japan. loveakirayamamoto@gmail.com.
European radiology
|September 22, 2025
概括
一个新的深度学习模型可以使用单个非对比CT图像预测临床显著的门高血压 (CSPH). 这种非侵入性方法为慢性肝病的早期检测提供了侵入性测量的替代方案.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 肝病学 肝病学是一种肝病学.
背景情况:
- 临床显著的门高血压 (CSPH) 预测并发症,但需要侵入性肝静脉压梯度测量来诊断.
- 早期和非侵入性检测CSPH对于慢性肝病患者的风险分层至关重要.
研究的目的:
- 开发用于CSPH的预测深度学习 (DL) 模型,使用单个非对比CT图像.
- 将四个代表性图像区域进行比较,以确定CSPH检测的最佳区域.
主要方法:
- 使用卷积神经网络和多层感知子分类器开发了一个DL模型.
- 该模型在421名患有慢性肝病的患者身上进行了训练和验证,使用了门静脉 (PV) 的部分,PV的第一个右分支,静脉-PV汇合点和脏的数据.
- 最好的DL模型与13种传统的评估方法进行了比较.
主要成果:
- 使用PV带部分的DL模型显示了CSPH的最高预测能力 (AUC:0.80).
- 在最佳值时,该模型获得了0.867的灵敏度和0.615.6的特异性.
- 开发的DL模型在预测CSPH方面表现优于ANTICIPATE模型.
结论:
- 一个DL算法可以从单个非对比CT切片准确预测CSPH,特别是从PV的部部分.
- 这种非侵入性方法为侵入性诊断方法提供了有价值的替代方案.
- 该模型有助于在慢性肝病患者的早期检测和风险分层.
更多相关视频
09:37Invasive Hemodynamic Characterization of the Portal-hypertensive Syndrome in Cirrhotic Rats
Published on: August 1, 2018
15.5K
06:20Contrast-Enhanced Subharmonic Aided Pressure Estimation SHAPE Using Ultrasound Imaging with a Focus on Identifying Portal Hypertension
Published on: December 5, 2020
2.9K
