论文部分内容阅读
中国是慢性乙型肝炎(CHB)高发区。肝纤维化是CHB的进展性疾病,如不及时治疗可发展为肝硬化甚至引发肝癌。有研究表明,及时正确的治疗可逆转肝纤维化甚至肝硬化。因此,肝纤维化的准确评估对肝纤维化的临床治疗、预后评估等至关重要。肝穿活检是诊断肝纤维化的“金标准”,却存在着有创、有并发症危险、不易被接受等局限性。因此,临床上迫切需要一种无创、安全、准确的肝纤维化评估方法。目前,用于肝纤维化临床无创评估的手段主要基于血清学检测和各种影像学检查。其中,超声影像技术具有无创、无辐射、实时、便携等优点,是肝纤维化临床检查的主要手段。本研究基于影像组学和深度迁移学习对超声图像肝纤维化无创评估方法进行了研究。与深圳市第三人民医院合作,招募了321名CHB患者,都进行了肝穿活检、血清学检查和医用超声检查。基于影像组学方法,在肝右叶B超影像中提取并筛选出121个影像组学特征,并使用机器学习的方法建立了3种评估模型。在判别肝纤维化(≥F2)时,支持向量机表现最优,逻辑回归次之,十次交叉验证平均ROC曲线下平均面积(AUC)均达88%;在判别肝硬化(F4)时,逻辑回归略优于支持向量机,十次交叉验证平均AUC分别为87%、86%。在基于深度迁移学习的方法中,在判别≥F2时,AUC、准确率、灵敏度、特异性的十次交叉验证平均值分别为:0.96、92%、92%、92%;在判别F4时,分别为:0.95、88%、88%、90%。此外,为了克服同类研究中手动划取ROI区域数据采样方式的局限性,本研究还基于深度残差结构对经典Unet分割网络进行了改进,实现了对B超图像肝实质的精准分割,满足后续研究的需要。最后,通过分割模型和无创评估模型的集成联合,实现了全自动的肝纤维化无创评估。本研究基于影像组学和深度迁移学习,对超声图像肝纤维化无创评估方法进行了研究,并联合深度学习肝实质分割手段实现了肝纤维化的全自动无创评估。结果显示,本研究建立的基于深度迁移学习的评估模型对早期肝纤维化有较高的诊断性能。后续将通过多中心合作和模型的不断迭代进一步提高模型泛化能力,望早日得到临床的认可。