| 张浩然，白臻，苏丹阳，刘金龙，马渊博，苗秋菊，杨慎宇，任向阳，杨晓鹏.基于腹部平扫CT人工智能模型测量肝脏脂肪含量：与QCT对照研究[J].放射学实践,2025,(08):1011-1017 |
| 基于腹部平扫CT人工智能模型测量肝脏脂肪含量：与QCT对照研究 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2025.08.010 |
| 中文关键词: 肝脏病变 脂肪变性 脂肪含量 定量CT 人工智能 |
| 基金项目:2024年度郑州市基础研究与应用基础研究（2024ZZJCYJ047）；国家资助博士后研究人员计划（GZC20241549） |
|
| 摘要点击次数: 74 |
| 全文下载次数: 71 |
| 中文摘要: |
| 【摘要】目的：探讨基于腹部平扫CT人工智能（AI）模型评估肝脂肪含量（LFC）的价值。方法：回顾性将2022年7月－2023年5月在本院接受腹部CT平扫及定量CT（QCT）检查的840例体检者纳入本研究，按照8∶2的比例将所有受试者分为训练集（n=672）及测试集（n=168）。在肝左叶、右前叶和右后叶的外周区域各放置1个ROI，采用QCT测量，以3个ROI的脂肪分数（FF）的平均值作为LFC。依据LFC测量结果，将受试者分为正常肝脏组（FF为＜5%）、轻度脂肪肝组（FF为5%~14%）、中度脂肪肝组（FF为14%~28%）和重度脂肪肝组（FF为＞28%）。在腹部平扫CT图像上沿肝脏轮廓勾画ROI，将连续3层图像上勾画的肝脏ROI作为2D-ROI，全肝图像上勾画的ROI作为3D-ROI。将临床数据和肝脏影像学定量参数（包括肝脏CT值、体积、大小等）作为机器学习（ML）特征，采用8种ML算法构建临床-影像ML模型。采用Python开源工具包Pyradiomics（v3.0.1）分别提取2D-ROI和3D-ROI的影像组学（Rad）特征，再用相同的8种ML算法基于2D-Rad和3D-Rad 的组学特征分别构建肝脏脂肪变四分类诊断模型。分别采用Pearson相关分析及Bland-Altman分析观察各模型测量的FF值与QCT测量的FF值的一致性，采用受试者工作特征（ROC）曲线评估各模型分类诊断肝脂肪变的效能。结果：在基于临床-影像、2D-Rad和3D-Rad构建的各种ML模型中，基于Bagging决策树算法的2D-Rad模型（2D-RadBaggiing）诊断肝脂肪变的AUC（0.982）最大；2D-RadDT和2D-RadGP分类模型的敏感度（0.861）最高，2D-RadBagging和2D-RadDT分类模型的特异度（0.950）最高，2D-RadBagging、2D-RadDT和2D-RadGP模型的符合率（0.857）最高，2D-RadGP模型的精确率和F1得分最高。各模型测量的FF值与QCT测量的FF的一致性良好（绝大多数差值位于均值±1.96标准差的范围内），且呈高度正相关（r=0.920~0.990）。结论：基于腹部平扫CT的AI模型分类诊断肝脂肪变的效能较高，且所测LFC与QCT结果的一致性良好。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
