A hybrid radiomics–3D CNN model using non-contrast CT for esophagogastric variceal bleeding risk prediction in cirrhosis
本研究开发并验证了一种基于平扫CT的影像组学-3D CNN混合模型，该模型能有效预测肝硬化患者食管胃底静脉曲张出血风险，为指导预防性治疗决策提供了一种具有前景的无创工具。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
肝硬化是一种肝脏变得纤维化且僵硬的状态，这种状态迫使血液在体内寻找新的、危险的路径。其中最严重的后果之一是食管和胃部静脉的肿胀，被称为静脉曲张。这些肿胀的静脉非常脆弱，可能会在毫无预警的情况下破裂，导致致命性出血，并夺走很大一部分患者的生命。目前，检查这种危险性的标准方法是内窥镜检查，即通过喉咙放入一个摄像头进行观察。虽然这种方法有效，但它具有侵入性，会让患者感到不适，且难以频繁重复进行，特别是对于那些患有其他健康并发症的患者。医生需要一种方法，能够在不让患者经历反复的侵入性检查，也不暴露于标准扫描中使用的造影剂风险之下，就能及早发现风险。
来自邯郸中心医院的一个研究小组探索了一条不同的路径，他们使用了一种已经非常普遍且安全的医学成像技术：腹部非增强型计算机断层扫描（CT）扫描。与使用碘造影剂使血管“发光”的标准扫描不同，这种技术依赖于组织的自然密度。虽然这些平扫无法直接显示肿胀的静脉，但研究人员怀疑，肝脏、脾脏及周围血管的细微变化可能蕴含着预测出血所需的线索。为了解锁这些隐藏的模式，他们结合了两种强大的图像分析方法：一种用于测量特定的纹理和形状，另一种则利用人工智能来自主学习复杂的模式。
该研究针对了137名接受过此类平扫CT扫描的肝硬化患者。研究人员根据患者在接下来一年内的实际情况将人群分为两类：47名患者经历了静脉曲联出血，而90名患者则没有。团队教导计算机去观察扫描中的七个特定区域，包括肝脏、脾脏、食管、胃以及三条主要血管。他们使用了一种称为影像组学（radiomics）的方法，将图像分解为数千个微小的、可测量的细节，例如脾脏的纹理看起来有多粗糙，或者肝脏表面的精确形状。与此同时，他们使用了一个三维人工智能模型（一种深度学习网络），对同一组图像进行扫描，并学习其自身发现的、人类可能会忽略的特征。
随后，研究人员构建了一个“融合模型”，将影像组学方法的详细测量数据与人工智能学习到的复杂模式相结合。他们通过在大多数患者身上进行训练并在剩余患者身上进行验证来测试这个组合系统，并重复了五次这一过程以确保结果可靠。结果是一个能够以高性能区分出血患者与非出血患者的工具。该模型的AUC值达到了0.88。更重要的是，它在排除危险方面表现出色；该模型在识别低风险患者方面的AUC达到了0.94。这种识别安全患者的高水平确定性至关重要，因为它可以让医生避免对那些不需要进行侵入性检查的患者进行不必要的检查。
研究还观察了模型的预测与现实的匹配程度。在对数据进行校准以确保其可靠性后，该模型显示其概率估计是非常可靠的。当研究人员测试使用该工具是否能真正帮助医生做出更好的决策时，他们发现它比单纯地对所有人进行治疗或不对任何人进行治疗都具有明显的优势。该模型的表现优于仅使用纹理测量或仅使用人工智能的方法，这表明这两种方法提供了不同且互补的信息。纹理测量捕捉了器官已知的物理变化，而人工智能则发现了人类肉眼或简单测量难以描述的细微空间模式。
尽管取得了这些令人鼓舞的结果，研究人员也谨慎地指出，这是一项来自单一医院、样本量相对较小的试点研究。该模型尚未针对医生目前使用的标准临床评分进行测试，也未在更大规模、更多样化的人群中进行测试，以验证其是否具有普适性。此外，由医生手动勾画出供计算机分析的具体身体部位的过程比较耗时，且不同人之间可能会存在细微差异。作者建议，虽然这种方法展示了作为一种安全、可重复且非侵入性的筛查出血风险手段的巨大潜力，但在其能常规应用于临床之前，仍需要更大规模的研究。目前来看，这项工作证明了即使是平扫CT，在先进数据分析的视角下，也能揭示出关于患者未来健康的至关重要的信息。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。