深度卷积神经网络辅助检测肝硬化患者门脉高压
DeepLearning深度学习辣汤小组9月5日
医院门脉高压研究所CHESS中心的祁小龙团队开发并验证了一个深度CNN来分析肝硬化患者肝脏和脾脏的CT或MR图像，可识别出AUC值为0.9的CSPH患者，并在ClinicalGastroenterologyandHepatology（IF：8.）上发表题为“DeepConvolutionalNeuralNetwork-aidedDetectionofPortalHypertensioninPatientsWithCirrhosis”的文章。DOI:10./j.cgh..03.。
肝硬化的自然病程包含从代偿期到失代偿期包括静脉曲张出血、腹水、*疸和肝脑病。失代偿期肝硬化患者的中位生存期约为1.5年，在补偿阶段，可能超过15年。最强的预测之一失代偿是临床上显着的门静脉高压症(CSPH)。最近的多中心随机对照试验建议β受体阻滞剂治疗应开始一次检测到CSPH可防止肝硬化失代偿。然而，*金标准CSPH诊断受其侵入性和仅在专门中心的可用性限制，阻碍了其常规在临床实践中使用。因此，我们开发并验证了深度CNN使用CT或MR图像的模型，满足了诊断的非侵入性、准确性和可靠性。
研究过程中CT和MR扫描均在常规上腹部对比增强CT或MR成像协议。对于CT队列，名参与者的10,和8,张肝脏和脾脏CT图像可用于开发基于CT的深度CNN模型。对于MR队列，名参与者的45,张肝脏和脾脏图像可用于研究基于MR的深层CNN模型。深度CNN模型均由肝脏通道和脾通道两个通道组成，每个通道共享相同的结构，主要包含卷积层、池化层和全连接层（图1）。为了研究深度CNN模型的鲁棒性，对于每个队列，参与者被随机等概率采样6次进入训练、验证和测试数据集的比例为3:1:1。不同的参与者划分会产生不同的楷模。因此，为每个队列总共开发了6个深度CNN模型，用于识别CSPH。
结果发现基于CT深度CNN模型的AUC、敏感性和特异性分别为93.3%、91.4%和90.9%（图2A）。基于MR的深度CNN的模型性能甚至更好，AUC、敏感性和特异性为94%、92.9%和84.6%(图2B)。同时，深度CNN模型表现出CSPH与传统非侵入性工具相比具有更高的诊断性能（图3）。CSPH的初步诊断可以通过CT或MR扫描后立即建立CNN模型。在众多用于识别CSPH的非侵入性方法中，TE检测肝脏硬度是最有效和最完善的，肝脏之间存在合理的相关性刚度和HVPG为78.3%和分级下的总面积0.9的总结接收者操作特性曲线。目前的研究表明，肝硬化对CSPH的诊断性能公平的AUC值为0.。
此外，拟议的模型是一个分类器而不是监视器，因此它无法监视HVPG的变化。总之，团队成功地开发并验证了基于CT和MR图像的深度学习模型，分别用于CSPH的无创检测。
名词解释
CSPH：有临床意义的门静脉高压症；
HVPG：肝静脉压力梯度；
CNN：卷积神经网络；
ROI：感兴趣的区域；
HVPGCT：基于CT的门户压力评分；
AST：天冬氨酸氨基转移酶；
AAR：天冬氨酸转氨酶转化为丙氨酸转氨酶比率；
PLT：血小板计数；
APRI：天冬氨酸转氨酶和血小板计数比率指标；
AUC：接收器下面积工作特性曲线；
PPV：阳性预测值；
NPV：阴性预测值。
图1深卷积神经网络模型方案
图2深部卷积神经网络模型对具有临床意义的门脉高压症的诊断性能：
(A）CT队列中训练、验证和测试数据集的ROC曲线；
(B）MR队列中训练、验证和测试数据集的ROC曲线。
图例临床意义上的门脉高压症的常规非侵入性工具的诊断性能
深度学习辣汤AI小组由徐州医科大学医院一群热爱人工智能的小伙伴们组成，欢迎大家跟我们交流学习！扫码