科学家首次将深度卷积神经网络应用于肝硬化

  12月1日，由中国门静脉高压联盟（CHESS）负责人祁小龙组织发起的CHESS1802国际多中心研究（NCT03766880）发表于国际权威消化肝病期刊《临床胃肠病和肝病学》，首次将深度卷积神经网络应用于肝硬化场景，建立了一套基于放射影像的AI算法，助力门静脉高压精准无创诊断。

本研究由中国11家中心与土耳其1家中心联合完成，在CHESS1802队列（MRI图像）基础上延伸整合CHESS1701队列（CT图像），共纳入950例肝硬化和对照组病例，两个队列均按照3:1:1随机化，分为训练集、验证集和测试集。

研究利用MRI和CT图像，构建了两组深度卷积神经网络（deep convolutional neural network，CNN）模型，包括基于MRI图像的CNN模型（MRI-CNN）和基于CT图像的CNN模型（CT-CNN）。两组模型均包含肝脏和脾脏通道用于图像的自动分析，最后分别经加权计算和Logistic回归得出临床显著性门静脉高压（clinically significant portal hypertension, CSPH）预测值。

在MRI-CNN和CT-CNN模型构建过程中，脾脏和肝脏通道随着迭代次数的增加，数据集的损失减少而精度增强，最终基本收敛。对于MRI-CNN模型，在训练集中诊断CSPH的受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）、敏感度、特异度分别为1.000、0.988和1.000；在验证集中，分别为0.924、0.966和0.923；在测试集中，分别为0.940、0.929和0.846。对于CT-CNN模型，在训练集中诊断CSPH的AUC、特异度、敏感度分别为0.998、0.957和0.990；在验证集中，分别为0.912、0.929和0.879；在测试集中，分别为0.933、0.914和0.909。

为了验证模型的稳健性，在MRI队列和CT队列均生成了6个CNN模型，MRI-CNN和CT-CNN模型诊断CSPH的AUC在各自不同模型中分别波动于0.901-1.000和0.888-0.998，且模型间AUC无统计学差异（P>0.05）。研究进一步对比了CNN模型与传统影像学和血清学模型的诊断效能，结果显示CNN模型对CSPH的诊断价值均高于传统无创模型。

本研究在国际上首次建立了基于CNN技术的无创诊断肝硬化CSPH模型。对于目前尚无条件常规开展肝静脉压力梯度检测的中心，无创CNN模型有望成为CSPH辅助评估工具，早期筛查高风险人群，助力门静脉高压全病程管理。

据悉，CHESS1802研究由中国人体健康科技促进会门静脉高压专业委员会主任委员、兰州大学第一医院院长助理祁小龙教授团队与土耳其科学院院士、伊斯坦布尔卫生技术大学医学院院长Necati ?rmeci团队发起，联合国家杰出青年基金获得者、东南大学附属中大医院放射科主任居胜红团队，南方医科大学生物医学工程学院副院长张煜团队组织国内外十余家中心协作完成。