European Radiology:使用腹部双参数MRI预测肝脏硬度的深度学习模型

尽管医学与外科治疗有所进展，慢性肝病（CLD）仍是美国及全球儿童和成人发病与死亡的主因之一，每年因肝失代偿致 200 万人死亡。CLD 通常会进展为肝纤维化。终末期肝病会引发肝细胞癌、门静脉高压和肝衰竭，有时需肝移植根治。早诊早治或许能阻止甚至逆转肝损伤与纤维化，延缓 CLD 进展。

肝活检作为肝纤维化诊断与分期的临床标准存在局限，有出血、疼痛风险，还可能采样失误。磁共振弹性成像（MRE）越来越多地用于通过测量肝脏剪切硬度来检测和划分肝纤维化严重程度。MRE 测得的肝脏硬度被广泛视作肝纤维化的替代生物标志物。MRE 通过在右上腹放置振动板在肝脏产生横切波，再用运动编码脉冲序列成像。但 MRE 也有不足，像采集时间长、患者不适，还需额外软硬件及图像后处理，增加成本。而且全球 MRE 普及度有限，在 CLD 高发但资源稀缺的亚非地区尤甚。

有研究表明，含机器学习和深度学习（DL）算法的人工智能（AI）模型，能借助常规获取的 T1 加权（T1w）和 T2 加权（T2w）临床 MRI 图像，对肝脏硬度严重程度分级。但研究在各方面存在局限，可能限制其在未来的广泛应用。

最近，发表在European Radiology 上的一篇文章开发并验证了一项深度学习（DL）模型，利用来自多家机构/系统制造商的儿科及成年患者的常规临床非增强腹部T1加权（T1w）和T2加权（T2w）数据预测基于MRE的肝脏硬度。

研究从四家机构中筛选出已知或疑似患有 CLD 的儿科和成年患者，这些患者在2011年至2022年间接受了临床MRI和MRE检查。我们使用T1w和T2w数据训练用于肝脏硬度分类的 DL 模型。根据肝脏硬度阈值（≥2.5 千帕、≥3.0 千帕、≥3.5 千帕、≥4 千帕或≥5 千帕）将患者分为两组进行二分类，这些阈值反映了不同程度的肝脏硬化。

研究从4295名患者中确定了4695次MRI 检查（平均年龄 ± 标准差为47.6±18.7岁；儿科患者428名 [10.0%]；男性2159名 [50.2%]）。以3.0 千帕作为主要肝脏硬度阈值，在内部多中心交叉验证（CV）实验中，我们的模型将患者正确分类为无/轻度（<3.0 千帕）与中/重度（≥3.0 千帕）肝脏硬度，受试者工作特征曲线下面积（AUROC）为 0.83（95% 置信区间：0.82，0.84）；在时间划分验证实验中，AUROC 为 0.82（95% 置信区间：0.80，0.84）；在外部留一中心交叉验证实验中，AUROC 为 0.79（95% 置信区间：0.75，0.81）。

表 DeepLiverNet 2.0模型对儿童和成人患者多位点10倍CV的诊断性

本项研究表明，研究所提出的DL模型在使用T1w和T2w MRI 数据的大型多样数据集上，对肝脏硬度的分类表现出合理的诊断性能。

原文出处：

Redha Ali,Hailong Li,Huixian Zhang,et al.Multi-site, multi-vendor development and validation of a deep learning model for liver stiffness prediction using abdominal biparametric MRI.DOI:10.1007/s00330-024-11312-3