基于深度学习的超声辅助诊断CHB合并NAFLD肝纤维化研究：AI模型显著提升临床诊断效能

为解决慢性乙型肝炎(CHB)合并非酒精性脂肪性肝病(NAFLD)肝纤维化的精准诊断难题，研究人员开发了基于二维肝脏影像的深度学习模型。该研究纳入2803例患者共20540张超声图像，验证显示AI独立诊断灵敏度达68.9%(AUC=0.845)，辅助医师诊断后灵敏度提升至75.7%(AUC=0.878)，特异性保持100%。这项突破为肝病无创诊断提供了高效AI工具。

　　这项开创性研究探索了深度学习技术在慢性乙型肝炎(CHB)合并非酒精性脂肪性肝病(NAFLD)肝纤维化超声诊断中的应用。团队回顾性分析了2019-2022年间2803例患者的20540张二维肝脏超声图像，并选取150例经肝活检确诊患者的922张图像进行模型验证。令人瞩目的是，AI模型独立诊断时展现出68.9%的灵敏度与100%特异性，曲线下面积(AUC)达0.845，显著超越初级(0.622)、中级(0.645)和高级医师(0.669)的独立诊断水平(P<0.001)。更激动人心的是，当AI辅助临床决策时，各级医师诊断灵敏度跃升至73.7%-75.7%，准确率提升约40个百分点，犹如为医生装上"智能听诊器"。该研究证实，基于二维超声的深度学习模型能有效突破传统诊断瓶颈，为CHB合并NAFLD这一"双重肝损"难题提供无创、高效的解决方案。