超声波和基于SWE的转移学习用于预测纤维性NASH

科学领域:

• 医疗成像医学成像
• 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:

• 非酒精性脂肪肝炎 (NASH) 是一种进展性肝病,通常导致纤维化.
• 准确和早期诊断纤维性NASH对于有效的管理和治疗至关重要.
• 目前的诊断方法可能具有侵入性或缺乏确定纤维化阶段的准确性.

研究的目的:

• 开发和评估一个结合深度学习模型,用于预测和诊断纤维性非酒精性脂肪肝炎 (NASH).
• 整合肝脏超声波,肝脏弹性图和临床特征,以提高诊断准确度.
• 将多模式深度学习模型与单模式模型的性能进行比较.

主要方法:

• 建立了使用高脂肪饮食和CCl4注射的肝硬化和纤维化的老鼠模型.
• 从老鼠模型中获得二维超声波和剪切波弹性图像 (SWE).
• 开发了三种基于ResNet-18的深度学习模型:纯超声波,纯弹性图形和组合多式模式模型.

主要成果:

• 综合深度学习模型实现了0.879.9的曲线下的最高面积 (AUC).
• 决策曲线分析 (DCA) 显示,多式模式在预测纤维性纳氏淋病方面具有优越的净收益.
• 多式模式模型在预测和诊断纤维性纳什时表现出了有希望的表现.

结论:

• 结合了超声波,弹性图和临床数据的深度学习模型,为纤维性NASH诊断提供了一个强大的工具.
• 多模式方法在预测和诊断纤维性NASH方面明显优于单模式模型.
• 这种由人工智能驱动的策略具有非侵入性和准确评估纤维性纳氏淋病的潜力.