一种结合基于超声的多模态放射组学特征和临床指标的诺模图模型，用于诊断成人特发性肝病（AILD）患者中的重度肝纤维化

《Abdominal Radiology》：A nomogram model integrating ultrasound-based multimodal radiomics features and clinical indexes for diagnosing significant hepatic fibrosis in AILD patients

该研究构建了结合2D超声影像组学特征、剪切波弹性成像参数及临床指标（血小板计数、ALT水平）的预测模型，显著提升自身免疫性肝病中S2-4期肝纤维化的无创诊断效能，AUC达0.912，优于单影像组学模型及FIB-4、APRI指数。

　　

摘要

目的

开发一种预测模型，该模型结合了二维超声（2D-US）和剪切波弹性成像（SWE）的放射组学特征以及临床指标，用于评估自身免疫性肝病（AILDs）中的重度肝纤维化（S2–4）。

方法

共有147名通过活检确诊的AILD患者根据Scheuer分类标准被分为非重度纤维化组（S0–1，n = 44）和重度纤维化组（S2–4，n = 103），然后随机分为训练组（n = 102）和验证组（n = 45）。选择了类间相关系数大于0.75的放射组学特征。使用最小绝对值收缩和选择算法（LASSO）回归识别出10个非零系数的特征。评估了六种机器学习算法。开发了一个整合了最佳放射组学特征和临床指标的决策图，并通过ROC曲线、校准曲线和决策曲线分析进行了评估。

结果

逻辑回归在所有算法中表现出最佳性能。血小板计数（PLT，OR = 0.992）和剪切波速度（Vs，OR = 3.855）被确定为诊断S2-4阶段纤维化的独立预测因子（P < 0.05）。该决策图在训练集中的AUC为0.860，在验证集中的AUC为0.912，其诊断性能明显优于单一放射组学模型、FIB-4指数和APRI指数（P < 0.05）。在不同AILD亚型和不同ALT水平下的亚组分析中，该决策图模型始终显示出最佳的诊断性能。

结论

本研究结合了二维超声和剪切波弹性成像的放射组学特征以及临床指标，构建了一个决策图模型，能够有效实现AILDs纤维化的无创诊断，并准确识别重度纤维化，为个体化评估和临床决策提供了更可靠的定量工具。