Radiology：放射組學評價肝纖維化

作者：shaosai

本研究旨在探討深度卷積神經網路（DCNN）模型通過應用釓酸增強肝膽期磁共振（MR）成像在肝纖維化分期中的表現。

本回顧性研究包括有輸入數據（肝膽期MR影像，成像單元的靜態磁場，以及陽性和陰性的乙型和丙型肝炎病毒檢測結果）和參考標準數據（肝纖維化分期由MR檢查6個月內的活檢或手術標本來評估）的患者，他們被分為訓練組（534例）和試驗（100例）。對於訓練組（肝纖維化階段為F0、F1、F2、F3和F4的病人分別有54， 53， 81， 113， 和 233例），平均年齡、67.4±9.7歲、388名男性和146名女性，三個不同方位的MR影像增加90倍（旋轉、平行移位、亮度改變和對比度改變，共144180幅影像）。為了將輸出數據（通過深度學習獲得的纖維化評分[FDL評分）和肝纖維化階段之間的差異最小化，使用DCNN模型進行管理訓練。使用受試者工作曲線評估試驗組中DCNN模型（纖維化階段為F0、F1、F2、F3和F4的病人分別有10， 10， 15、20和45例，平均年齡、66.8歲±10.7歲、71名男性患者和29名女性患者）的表現。

本研究結果為F DL評分與纖維化分期顯著著相關（Spearman等級相關係數：0.63； P <0.001）。診斷纖維化階段為F4，F3和F2的ROC曲線下面積分別為0.84，0.84和0.85。

本研究結論為DCNN模型在肝纖維化分期中表現出較高的診斷性能。

原始出處：

Yasaka K， Akai H， Kunimatsu A. et al.Liver Fibrosis： Deep Convolutional Neural Network for Staging by Using Gadoxetic Acid-enhanced Hepatobiliary Phase MR Images.Radiology.DOI10.1148/radiol.2017171928