已有研究表明，人工智能（AI）模型（包括机器学习和深度学习（DL）算法）能够利用常规获取的临床磁共振成像（MRI）图像（如 T1 加权（T1w）和 T2 加权（T2w）图像）对肝脏硬度程度进行分层。2019 年，有学者开发了一个支持向量机（SVM）模型，利用 T2 加权（T2w）影像组学特征和临床数据对 225 名儿科及年轻成年患者的肝脏硬度进行分类。有学者开发了一个基于深度学习（DL）的模型，利用轴向 T2 加权（T2w）图像和临床数据对 273 名受试者的肝脏硬度进行分层。

然而，上述研究均存在一定局限性。首先，研究队列规模较小，这限制了结果的统计效力以及模型的潜在性能。其次，这些研究均在单一机构开展，且未设置外部验证队列，因此模型的通用性尚不明确。再者，这些模型大多是基于来自少数磁共振成像（MRI）系统制造商的数据进行训练和测试的，这也可能会限制其未来的广泛应用。

最近，发表在European Radiology 上的一篇文章利用来自多个机构/系统制造商的儿科及成年患者的常规临床无对比剂腹部 T1 加权（T1w）和 T2 加权（T2w）数据，开发并验证了用于预测基于磁共振弹性成像（MRE）的肝脏硬度的深度学习（DL）模型。

研究从四家机构中筛选出已知或疑似患有慢性肝病（CLD）的儿科及成年患者，这些患者在 2011 年至 2022 年期间接受了包含磁共振弹性成像（MRE）的临床磁共振成像（MRI）检查。使用 T1 加权（T1w）和 T2 加权（T2w）数据来训练用于肝脏硬度分类的深度学习（DL）模型。依据肝脏硬度阈值（≥2.5 千帕、≥3.0 千帕、≥3.5 千帕、≥4 千帕或≥5 千帕）将患者分为两组进行二分类，以反映不同程度的肝脏硬度变化。

研究共确定了来自 4295 名患者的 4695 次磁共振成像（MRI）检查（平均年龄 ± 标准差为 47.6 ± 18.7 岁；儿科患者 428 名 [占 10.0%]；男性 2159 名 [占 50.2%]）。以 3.0 千帕作为主要的肝脏硬度阈值时，在内部多站点交叉验证（CV）实验中，我们的模型将患者正确分类为无 / 轻微（<3.0 千帕）与中度 / 重度（≥3.0 千帕）肝脏硬度的受试者工作特征曲线下面积（AUROCs）为 0.83（95% 置信区间：0.82，0.84）；在时间留存验证实验中，该值为 0.82（95% 置信区间：0.80，0.84）；在外部留一站点交叉验证（CV）实验中，其值为 0.79（95% 置信区间：0.75，0.81）。

表 DeepLiverNet 2.0模型对儿童和成人患者多位点10倍CV的诊断性能

本项研究表明，研究所提出的深度学习（DL）模型在使用 T1 加权（T1w）和 T2 加权（T2w）磁共振成像（MRI）数据对大型多样化数据集进行肝脏硬度分类时，展现出了合理的诊断性能。

原文出处：

Redha Ali,Hailong Li,Huixian Zhang,et al.Multi-site, multi-vendor development and validation of a deep learning model for liver stiffness prediction using abdominal biparametric MRI.DOI:10.1007/s00330-024-11312-3

Tags： European Radiology：使用腹部双参数MRI预测肝脏硬度的深度学习模型的多站点、多供应商开发和验证