使用一维卷积神经网络的射频超声数据对非酒精性脂肪肝病进行无创诊断和肝脂肪定量

来自肝脏的背景射频超声数据包含有关肝脏微观结构和组成的丰富信息。深度学习可能会利用这些信息来评估非酒精性脂肪性肝病（NAFLD）。

目的

开发和评估使用射频数据进行NAFLD评估的深度学习算法，以MRI衍生的质子密度脂肪分数（PDFF）为参考。

材料和方法

对一项符合HIPAA标准的单中心前瞻性研究进行了二次分析，用于患有NAFLD的成年受试者和无肝病的对照组受试者。研究的参与者在2012年2月至2014年3月之间招募，并在同一天接受了肝脏的US和MRI检查。

参与者被随机分为相同数量的训练组和测试组。训练组用于通过交叉验证开发两种算法：用于诊断NAFLD（MRI PDFF≥5%）的分类器和用于预测MRI PDFF的脂肪分数估计器。这两种算法都使用一维卷积神经网络。测试组用于评估分类器的敏感性、特异性、阳性预测值、阴性预测值和准确性，并评估预测脂肪分数与MRI PDFF之间的相关性、偏倚、一致性限和线性度的估计量。

结果

共分析204名受试者，140例为NAFLD（平均年龄52岁，14岁±82例女性），64例对照组（平均年龄46岁，±21例，42例女性）。

在测试组中，分类器为NAFLD诊断提供了96%（95%置信区间[CI]：90%，99%）（98个102个）准确度（敏感性，97% [95% CI：90%，100%]，70个中的68个;特异性，94% [95% CI：79%，99%]，30个32个，阳性预测值，97% [95% CI：90%，99%]，70个中的68个，阴性预测值，94% [95% CI： 79%， 98%]， 30 的 32）.。

估计器预测的脂肪分数与MRI PDFF相关（皮尔逊r = 0.85）。平均偏差为0.8%（P = 0.08），95%的一致性限为-7.6%至9.1%。预测的脂肪分数与MRI PDFF为18%或更低（r = 0.89，斜率= 1.1，截距= 1.3）呈线性关系，MRI PDFF大于18%时呈非线性。

结论

利用射频超声数据的深度学习算法在排除其他脂肪变性病因后，可准确诊断非酒精性脂肪性肝病和肝脂肪分数定量。