导读 本研究旨在开发和验证利用NC-MRI对LF进行分期的人工智能（AI）驱动模型。

2024年10月16日，中国医科大学附属盛京医院石喻团队在期刊《eClinicalMedicine》上发表了题为“Development of fully automated models for staging liver fibrosis using non-contrast MRI and artificial intelligence: a retrospective multicenter study”的研究论文。研究结果表明，将团队开发的AI驱动的模型集成到NC-MRI中，可以帮助放射科医生在临床实践中快速准确地对肝纤维化进行分期。这一进步有可能显著增强慢性肝病患者的诊断和治疗决策。

       

https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(24)00460-7/fulltext

关于肝纤维化

 01 

肝硬化已成为全球死亡率的重要因素，占2019年全球死亡人数的2.4%。肝活检是目前临床实践中纤维化评估的参考方法，由于其侵入性、易受采样误差影响、相关发病率、并发症风险和解释可变性，因此，不适合常规纤维化筛查。

       

磁共振成像（MRI）以其高分辨率和出色的软组织对比度而闻名，这对于精确描绘肝组织至关重要。先进的人工智能（AI）技术（包括深度学习和放射组学）的实施在揭示医学图像中的细节方面非常有效，并显著提高了疾病诊断的准确性。多参数MRI与放射组学的融合，在为肝内胆管癌手术提供术前生存估计和识别肝内胆管癌的微血管浸润方面，显示出重大前景。

       

这项研究旨在利用NC-MRI（T1WI和T2FS）和来自大规模多中心数据集的临床数据，开发和验证用于肝纤维化分期的AI驱动的模型。

读取器评估的性能

 02 

第一次读者研究是在没有OM协助的情况下进行的。对≥F2、≥F3和F4预测，OM（AUC范围：0.817-0.903）明显优于3位初级放射科医生（AUC范围：0.641-0.757；P < 0.01）；与3位高级（AUC范围：0.631-0.840）放射科医生相比，其产生了更高的AUC。

       

在第二次读者研究中，经过至少一个月的清除期后，放射科医生获得了来自OM的主要预测概率，以及肝脏和脾脏体积的测量，导致肝纤维化分期的AUC显著改善（≥F2等级的AUC范围：0.715-0.733；≥F3等级：0.771-0.815；和F4等级：0.784-0.851)≥F2等级（第一：0.649-0.676，第二：0.726-0.737）、≥F3等级（第一：0.741-0.768，第二：0.799-0.834）和F4等级（第一：0.784-0.849，第二：0.846-0.873）在评估其准确性方面，观察到类似的表现。

使用从内部测试队列中选择的259个样本进行的两项读者研究的性能，在没有OM的情况下或在OM的协助下。

总结

 03 

1. AI模型性能：AI模型能够有效地从NC-MRI中捕获诊断信息，并结合临床特征，实现0.808-0.925的AUC值，提高肝纤维化分期的性能。

       

2. 临床应用潜力：AI模型在预测肝纤维化分期方面的性能超过了6名不同资历的放射科医生，显示出在临床实践中的潜在应用价值。

       

3. 未来研究方向：未来的研究将纳入更有价值的临床特征，使用更先进的算法，并在更大的多中心队列中验证模型，以提高性能和普遍性。

       

4. 研究意义：研究提供了一种新的肝纤维化分期工具，有助于慢性肝病的筛查和定期管理，尽管需要进一步的临床验证。

       

        参考资料：

       
       

        1.Caligiuri, A. ? Gentilini, A. ? Pastore, M. ? et al.

        Cellular and molecular mechanisms underlying liver fibrosis regression

        Cells. 2021; 10:2759

       
       

        2.Kisseleva, T. ? Brenner, D.

        Molecular and cellular mechanisms of liver fibrosis and its regression

        Nat Rev Gastroenterol Hepatol. 2021; 18:151-166