| 摘要: |
| 目的 通过多模态MRI提取放射组学特征，结合支持向量机（SVM）模型，构建肝纤维化分期人工智能识别体系，探索
其在肝纤维化分期中的应用价值。 方法 回顾性收集2020年1月至2024年12月宁波大学附属人民医院收治的148例肝纤维化患
者的临床资料，采用随机数字表法，按约7∶3比例分为训练集103例和验证集45例；经肝穿刺活检，按Metavir分期标准分为F0~1期
33 例、F2 期 41 例、F3 期 17 例、F4 期 57 例。2 名高年资放射科医师采用双盲法评估图像质量，纳入 1~2 级图像；使用 ITK-SNAP
4.13.0软件勾画感兴趣区，LIFEx 3.44软件提取纹理特征、一阶特征，遗传算法筛选 20 个核心特征。构建3个SVM二分类子模型，模
型一（F0~2期比F3~4期）、模型二（F0~1期比F2期）、模型三（F3期比F4期），以准确率、ROC曲线与AUC值评估模型用于肝纤维化分
期的效能。 结果 三模型性能差异明显：模型三（F3比F4 期）最优，训练集准确率为84.78%、AUC为0.901，验证集准确率为100%、
AUC为1.000（95%CI：1.000~1.000），分期鉴别效能及泛化性稳定；模型二（F0~1期比F2 期）次之，训练集与验证集准确率（80.76%
比 90.90%）、AUC（0.899 比 0.891）接近，稳定性良好；模型一（F0~2 期比 F3~4 期）较差，验证集 AUC 为 0.590（95%CI：0.401~
0.779），低于训练集的0.838，存在过拟合风险。分层递进式联合策略总分期准确率63.50%（94/148），F0~1期、F2期、F4期准确率较
高（69.69%、68.29%、70.17%），F3期偏低（52.94%）。 结论 基于多模态MRI放射组学的SVM模型可有效实现肝纤维化分期在F0~
1期与F2期、F3期与F4期的细分鉴别中表现优异，可为临床提供客观、定量的分期工具。 |
| 关键词: |
| DOI： |
| 分类号: |
| 基金项目: |
|
|
|
|
| Abstract: |
|
| Key words: |
