利用深度学习和临床数据整合进行肝脏脂肪的定量超声评估

《Journal of Medical and Biological Engineering》：Quantitative Ultrasound Assessment of Liver Fat Using Deep Learning and Clinical Data Integration

肝脂肪变性AI评估模型开发及性能验证。基于常规超声图像与临床数据，结合YOLOv8图像分类和Lasso回归构建预测模型，右肋间视野表现最优（R2=0.74），整合临床信息后性能显著提升（R2=0.90）。

　　

摘要

目的

代谢功能障碍相关性脂肪性肝病（MASLD）的发病率不断上升，这凸显了需要有效的评估工具，尤其是用于定量评估肝脏脂肪变性的工具。鉴于瞬时弹性成像（TE）的可用性有限，特别是在资源有限的环境中，我们旨在开发一种人工智能（AI）模型，利用在大多数医疗机构中广泛可用的常规超声技术来量化肝脏脂肪变性。

方法

从2017年到2023年，收集了患者的肝脏超声图像以及通过TE获得的控制衰减参数（CAP）评分。通过将YOLOv8图像分类技术与主成分分析和Lasso回归相结合，开发了一个预测模型，以从超声图像中估算CAP评分。数据集被随机分为训练集（80%）、验证集（10%）和测试集（10%）。同时纳入了患者的基线特征和实验室数据以提高模型性能。模型的预测能力通过决定系数（R2）和均方误差（MSE）进行评估。

结果

共纳入了352名患者的1065张图像。初始模型的R2值为0.55，MSE为1004.07。亚组分析显示，右侧肋间视图的表现最佳（R2=0.74，MSE=637.99）。在纳入患者特征和实验室数据后，模型的性能显著提高（R2=0.90，MSE=245.79）。

结论

这种基于AI的模型在肝脏脂肪变性的无创评估方面显示出潜力，尤其是在使用右侧肋间视图和补充临床数据的情况下。为了进一步提高其准确性和泛化能力，还需要进一步的验证。