据统计，超过30%的克罗恩病（CD）患者可能出现肠道纤维化，可累及整个肠壁，从而产生纤维化甚至梗阻。轻度纤维化导致的肠道狭窄可通过药物缓解，与此相反，中重度纤维化导致的肠道狭窄往往需要内镜治疗或手术。因此，准确评估CD肠道纤维化是与治疗选择密切相关的临床问题。

然而，目前还没有临床上公认的通用的肠道纤维化表征方法。放射学上，磁共振成像、正电子发射断层扫描（PET）/磁共振肠道成像、PET/计算机断层扫描肠道成像（CTE）、超声弹性成像等都被用于评价肠道纤维化，但缺乏普及性、样本量有限且操作者主观性明显。近年来，人工智能（AI）被越来越多地应用于医学影像领域的疾病检测、诊断和监测。过去几年在医学影像分析中出现的深度学习（DL），可以自动提取非手工制作的特征，并建立比放射科医生更好地描述病变的模型。有研究表明，基于CTE的放射组学模型（RM）在CD患者的肠道纤维化诊断中表现出色，但耗时过长。

近日，发表在European Radiology杂志的一项研究探讨了应用基于CTE的DL评估CD患者肠道纤维化的诊断效果，并与RM以及放射科医生进行了比较，为临床快速、准确、无创的评估肠道纤维化提供了影像学支持。

本项回顾性研究从三家医院招募了235名CD患者（中位年龄，33岁）的312个肠段。训练队列和测试队列1从中心1招募，而测试队列2从中心2和3招募。所有患者在手术前3个月内进行了CTE检查。对组织学纤维化进行了半定量评估。在训练队列中构建了基于三维深度卷积神经网络的DLM，并进行了10倍交叉验证，对测试队列进行了外部独立验证。利用逻辑回归从CTE图像中提取的4个选定的放射组学特征建立了放射组学模型（RM）。CTE图像的评估由两位放射科医生进行，并使用DeLong检验和非劣势检验来比较模型的性能。 

DLM可区分轻度和中重度的肠道纤维化，在训练队列中AUC为0.828，在总测试队列、测试队列1和2中分别为0.811、0.808和0.839。在总的测试队列中，DLM取得了比两位放射科医生更好的表现（*1的AUC=0.579，*2的AUC=0.646；都是P＜0.05），并且不比RM差（AUC=0.813，P＜0.05）。DLM的总处理时间比RM要短得多（P < 0.001）。 

图 训练队列（a）和总测试队列（b）中每个肠道病变的DLM预测概率，截断值为0.623（由灰色实线表示）。训练组和总测试组（c）以及测试组1和2（d）中DLM的诊断表现。图e显示了DLM在两个队列中的校准曲线

本研究表明，本研究提出的基于CTE的DLM可以准确区分CD患者的中度-重度和轻度肠道纤维化。DLM的表现并不逊于处理时间更短的RM，而且优于放射科医生的表现，表明DLM可以协助放射科医生更准确、快速地对肠道纤维化进行分级。

原文出处：

Jixin Meng,Zixin Luo,Zhihui Chen,et al.Intestinal fibrosis classification in patients with Crohn's disease using CT enterography-based deep learning: comparisons with radiomics and radiologists.DOI:10.1007/s00330-022-08842-z

Tags： European Radiology：克罗恩病患者肠纤维化的CT小肠造影深度学习分类