开发一种基于深度学习的混合框架,用于使用超声波图像对肝纤维化进行分类
Adedotun F Adesina1, Blessing O Olorunfemi2, Adenike T Adeniji-Sofoluwe3
1Department of Biochemistry, Redeemer's University, Ede, 232101, Nigeria.
iLIVER
|February 27, 2026
概括
结合ResNet50和VGG16的新混合深度学习模型使用超声波图像准确地分阶段肝纤维化 (F0-F4). 这种非侵入性方法提高了诊断准确性,可能减少肝脏活检的需要.
科学领域:
- 医学成像分析 医学成像分析
- 肝病学中的深度学习
- 计算病理学计算病理学
背景情况:
- 肝纤维化是肝硬化和肝癌的前体,其特点是细胞外基质沉积过多.
- 目前的诊断方法,如活检是侵入性的,有局限性;超声波提供了一个更安全的替代方案,但需要专业知识.
- 现有的纤维化阶段化深度学习模型通常使用有限的数据或仅执行二进制分类.
研究的目的:
- 使用混合深度学习方法开发一个自动化的多类 (F0-F4) 肝纤维化分类模型.
- 提高诊断准确度,减少对侵入性肝活检程序的依赖.
- 创建一个负担得起和可解释的工具来评估肝病的进展.
主要方法:
- 使用了6323张超声波图像和METAVIR纤维化得分 (F0-F4) 的数据集.
- 开发了一个混合深度学习模型,集成了微调的ResNet50和VGG16架构,用于多类分类.
- 用灵敏度,特异性和AUC来评估模型性能,并使用Grad-CAM来解释可解释性.
主要成果:
- 混合型实现了86.64%的峰值测试准确度,明显优于单个ResNet50 (55.26%) 和VGG16 (72.73%) 模型.
- 宏观AUC和加权AUC分别达到96.79%和97.79%,表明了高分类性能.
- Grad-CAM可视化证实了该模型的重点是相关的纤维状区域,特别是对正确分类的F0和F4阶段.
结论:
- 混合深度学习模型表现出强大的诊断性能,具有高灵敏度,特异性和可靠性,用于自动化肝纤维化分期.
- 通过Grad-CAM的解释性验证了该模型对病理特征的关注,支持其临床相关性.
- 这种非侵入性,准确和可解释的工具显示出在肝病评估中常规临床应用的巨大潜力.
