科學家首次將深度卷積神經網絡應用于肝硬化

  12月1日，由中國門靜脈高壓聯盟（CHESS）負責人祁小龍組織發起的CHESS1802國際多中心研究（NCT03766880）發表于國際權威消化肝病期刊《臨床胃腸病和肝病學》，首次將深度卷積神經網絡應用于肝硬化場景，建立了一套基于放射影像的AI算法，助力門靜脈高壓精準無創診斷。

本研究由中國11家中心與土耳其1家中心聯合完成，在CHESS1802隊列（MRI圖像）基礎上延伸整合CHESS1701隊列（CT圖像），共納入950例肝硬化和對照組病例，兩個隊列均按照3:1:1隨機化，分為訓練集、驗證集和測試集。

研究利用MRI和CT圖像，構建了兩組深度卷積神經網絡（deep convolutional neural network，CNN）模型，包括基于MRI圖像的CNN模型（MRI-CNN）和基于CT圖像的CNN模型（CT-CNN）。兩組模型均包含肝臟和脾臟通道用于圖像的自動分析，最后分別經加權計算和Logistic回歸得出臨床顯著性門靜脈高壓（clinically significant portal hypertension, CSPH）預測值。

在MRI-CNN和CT-CNN模型構建過程中，脾臟和肝臟通道隨著迭代次數的增加，數據集的損失減少而精度增強，最終基本收斂。對于MRI-CNN模型，在訓練集中診斷CSPH的受試者工作特征曲線下面積（area under the receiver operating characteristic curve, AUC）、敏感度、特異度分別為1.000、0.988和1.000；在驗證集中，分別為0.924、0.966和0.923；在測試集中，分別為0.940、0.929和0.846。對于CT-CNN模型，在訓練集中診斷CSPH的AUC、特異度、敏感度分別為0.998、0.957和0.990；在驗證集中，分別為0.912、0.929和0.879；在測試集中，分別為0.933、0.914和0.909。

為了驗證模型的穩健性，在MRI隊列和CT隊列均生成了6個CNN模型，MRI-CNN和CT-CNN模型診斷CSPH的AUC在各自不同模型中分別波動于0.901-1.000和0.888-0.998，且模型間AUC無統計學差異（P>0.05）。研究進一步對比了CNN模型與傳統影像學和血清學模型的診斷效能，結果顯示CNN模型對CSPH的診斷價值均高于傳統無創模型。

本研究在國際上首次建立了基于CNN技術的無創診斷肝硬化CSPH模型。對于目前尚無條件常規開展肝靜脈壓力梯度檢測的中心，無創CNN模型有望成為CSPH輔助評估工具，早期篩查高風險人群，助力門靜脈高壓全病程管理。

據悉，CHESS1802研究由中國人體健康科技促進會門靜脈高壓專業委員會主任委員、蘭州大學第一醫院院長助理祁小龍教授團隊與土耳其科學院院士、伊斯坦布爾衛生技術大學醫學院院長Necati ?rmeci團隊發起，聯合國家杰出青年基金獲得者、東南大學附屬中大醫院放射科主任居勝紅團隊，南方醫科大學生物醫學工程學院副院長張煜團隊組織國內外十余家中心協作完成。