一个用于肝纤维化分期和病因诊断的新型深度学习框架,使用综合肝弹性图

科学领域:

• 医疗成像医学成像
• 肝病学 肝病学是一种肝病学.
• 人工智能在医学中的应用

背景情况:

• 准确的肝纤维化阶段和病因学诊断对于患者管理至关重要.
• 肝纤维化的非侵入性诊断方法非常受欢迎,但仍然具有挑战性.
• 目前的方法,如血清生物标志物和常规超声波,在准确性上有局限性.

研究的目的:

• 为了评估放射学模型的性能,使用肝脏和脏的2D剪切波弹性学 (2D-SWE).
• 将这些放射学模型的诊断准确性与血清生物标志物和肝纤维化常规超声波进行比较.
• 评估模型在区分肝纤维化原因方面的能力.

主要方法:

• 对198名经活检确认的肝纤维化患者的回顾性分析.
• 从灰度和2D-SWE图像中提取肝脏和脏的放射性特征.
• 机器学习 (ML) 和转移学习 (TL) 模型的开发,用于阶段和病因学诊断,使用ROC曲线进行评估.

主要成果:

• 基于2D-SWE的放射学模型在纤维化分期显著优于灰度成像和血清生物标志物.
• 肝结合的TL模型在纤维化阶段测定方面表现出色 (AUC高达1.00).
• 肝脏2D-SWE TL和联合肝TL模型在病因学诊断方面实现了高AUC (0.97和0.94),超过了ML模型.

结论:

• 将肝脏和脏的2D-SWE放射学与TL整合起来,大大提高了非侵入性肝纤维化病阶段和病因学诊断.
• 与传统的诊断方法相比,这种先进的放射学方法提供了更高的准确性.
• 这些发现表明该技术具有显著的临床潜力,需要进一步验证.