目的:构建并验证基于磁共振增强平衡期(T1-delay MR)的机器学习模型(MR模型)无创评估肝脏纤维化分级,并与超声瞬时弹性成像肝硬度值(LSM)进行联合/对比,探讨MR模型对于LSM的附加价值。方法:回顾性单中心研究纳入了659例肝纤维化患者,随...目的:构建并验证基于磁共振增强平衡期(T1-delay MR)的机器学习模型(MR模型)无创评估肝脏纤维化分级,并与超声瞬时弹性成像肝硬度值(LSM)进行联合/对比,探讨MR模型对于LSM的附加价值。方法:回顾性单中心研究纳入了659例肝纤维化患者,随机拆分为训练集和测试集。经图像预处理后,通过层次化建模的方法筛选特征。通过将特征按层次结构划分子类并分别考察子类建模在验证集上的表现,筛选出重要的特征,建立MR模型分别对显著性(F≥2)和进展期肝纤维化(F≥3)进行分类,并与LSM联合构建MR-LSM模型。使用受试者工作特征曲线、瀑布图、决策曲线分析评估模型的性能。结果:分类F≥2时,MR-LSM在测试集中优于MR模型(0.824 vs 0.791,P=0.003)和LSM(0.694,P=0.005)。分类F≥3时,MR-LSM AUC高于MR模型(0.855 vs 0.819,P=0.004),且优于LSM(0.731,P<0.001)。结论:MR-LSM模型在肝纤维化分级中诊断效能优于单独的MR模型和LSM,MR模型对于LSM具有附加价值。展开更多
文摘目的:构建并验证基于磁共振增强平衡期(T1-delay MR)的机器学习模型(MR模型)无创评估肝脏纤维化分级,并与超声瞬时弹性成像肝硬度值(LSM)进行联合/对比,探讨MR模型对于LSM的附加价值。方法:回顾性单中心研究纳入了659例肝纤维化患者,随机拆分为训练集和测试集。经图像预处理后,通过层次化建模的方法筛选特征。通过将特征按层次结构划分子类并分别考察子类建模在验证集上的表现,筛选出重要的特征,建立MR模型分别对显著性(F≥2)和进展期肝纤维化(F≥3)进行分类,并与LSM联合构建MR-LSM模型。使用受试者工作特征曲线、瀑布图、决策曲线分析评估模型的性能。结果:分类F≥2时,MR-LSM在测试集中优于MR模型(0.824 vs 0.791,P=0.003)和LSM(0.694,P=0.005)。分类F≥3时,MR-LSM AUC高于MR模型(0.855 vs 0.819,P=0.004),且优于LSM(0.731,P<0.001)。结论:MR-LSM模型在肝纤维化分级中诊断效能优于单独的MR模型和LSM,MR模型对于LSM具有附加价值。
