European Radiology：超声深度学习模型在诊断慢性乙型肝炎患者肝纤维化方面的价值

众所周知，慢性乙型肝炎（CHB）病毒感染仍然是一个主要的全球健康问题，发病率极高。研究发现，CHB患者的肝脏结构和功能的改变可能导致肝脏纤维化的发展。如果没有适当的治疗，肝纤维化可能发展为失代偿性肝硬化甚至肝细胞癌，增加CHB患者的死亡率，而如果及时治疗，肝纤维化的持续发展是可以逆转的。在治疗方面，有明显肝纤维化（≥F2），但对于丙氨酸转氨酶（ALT）水平正常或略有升高的CHB患者来说，临床上常常建议患者接受抗病毒治疗。因此，准确诊断肝纤维化是否显著，对于更好地管理CHB患者至关重要。

目前，肝纤维化分期的金标准仍然是肝脏活检，但受到如采样误差和观察者之间差异等问题的影响。作为肝脏活检的替代方法，基于计算机断层扫描、磁共振或超声（US）成像的图像分析经常被用于肝脏纤维化的无创评估。在各种成像方式中，US由于其非电离辐射和广泛的可用性而成为首选。研究表明，US的图像特征，如肝脏表面不平整或起伏，肝实质的异质性回声纹理以及血管直径和血流速度的变化与肝脏纤维化具有相关性。因此，临床上通常在肝脏活检前对US的图像特征进行目测评估以进行筛查。然而，视觉评估的方法是主观的，其准确性取决于放射科医生的经验。考虑到这一局限性，其他非侵入性的方法，包括基于临床数据的纤维化生物标志物和基于US图像纤维化评估已经被开发并引入临床应用。但这些方法大多建立在临床参数或US图像的单模数据上，在诊断≥F2方面的表现十分有限。

为了加强对≥F2的诊断，有一种趋势是将US B型图像和其他模式的US数据结合起来，如弹性成像和CEMF cines进行纤维化分析。

近日，发表在European Radiology杂志的一项研究开发和评估了一项将US CEMF cines、B-mode图像和患者的临床参数进行数据整合的深度学习模型在诊断CHB患者的≥ F2方面的性能及价值。

本项研究在2016年10月至2020年5月期间对本机构内接受超声和组织病理学检查的682名CHB患者进行了评估，最终有218名对象被纳入本项回顾性研究。研究设计了一个基于数据整合的深度学习（DIDL）模型来评估CHB患者的≥F2。该模型包含三个卷积神经网络分支，从超声CEMF cines、B型图像和临床数据中自动提取特征。提取的特征在模型的后端被融合、用于决策。在五倍交叉验证中评估了诊断性能，并与其他方法的接受者操作特征曲线下面积（AUC）进行了比较，以组织病理学结果作为参考标准。 

DIDL模型的平均AUC为0.901[95% CI, 0.857-0.939]，明显高于其他比较方法，包括仅使用CEMF cines（0.850[0.794-0.893]）、B-mode图像（0.813[0.754-0.862]）或临床数据（0. 757[0.694-0.812]），以及传统的TIC方法（0.752[0.689-0.808]）、APRI（0.792[0.734-0.845]）、FIB-4（0.776[0.714-0.829]）和两位放射学家的视觉评估（0.812[0.754-0.862]，和0.800[0.739-0.849]），所有PS<0.01，DeLong测试。 

图 a和b分别显示了肝纤维化程度静脉分支角度为47.8，而≥F2的病例角度为73.9°。(e) 在不同时间点获得的动态CEMFcine帧显示，在有明显纤维化的患者中，门静脉分支有中断的征象（箭头）。红色和暖色代表对预测分类的贡献较强，而蓝色和冷色代表贡献较弱。T0表示处理后的CEMF cine数据的起始时间。在特征注意图中，随着增强时间的增加，对应于中断区域的伪色逐渐从蓝色变为黄色，表明DIDL对CEMF cine中的中断区域的注意在增加

研究表明，DIDL模型通过对超声CEMF cines、B型图像和临床参数的数据整合，在诊断CHB患者的明显肝纤维化方面表现出良好的诊断性能。 

原始出处：

Zhong Liu,Wei Li,Ziqi Zhu,et al.A deep learning model with data integration of ultrasound contrast-enhanced micro-flow cines, B-mode images, and clinical parameters for diagnosing significant liver fibrosis in patients with chronic hepatitis B.DOI:10.1007/s00330-023-09436-z