| 摘要: |
| 目的 探讨基于增强 MRI 自动语义分割结果构建的深度学习模型对进展期肝纤维化的诊断效能。 方法 回顾性
选择 2014 年 1 月至 2024 年 12 月杭州师范大学附属医院收治的慢性肝病患者 217 例，按 8∶2 比例分为训练集 175 例和测试集 42
例。构建自动语义分割模型自动分割肝脏，基于增强 MRI 自动分割结果构建深度学习模型。比较自动语义分割模型与放射科医
师手动分割结果的相似度。比较深度学习模型与基准模型对训练集和测试集患者的诊断效能。比较深度学习模型与天门冬氨酸
氨基转移酶和血小板计数比率指数（APRI）、纤维化－4 指数（Fib-4）在测试集患者中的错误诊断例数、准确度和诊断效能。 结
果 训练集患者中，自动语义分割模型与放射科医生手动分割结果Dice相似系数为0.973。测试集患者中，两者分割结果Dice相
似系数为 0.870。在训练集患者中，深度学习模型的 AUC 值（95%CI）为 0.999（0.941~0.998），基准模型的 AUC（95%CI）为 0.995
（0.928~0.993），两者比较差异无统计学意义（P=0.606）。在测试集患者中，深度学习模型的 AUC（95%CI）为 0.959（0.774~
1.00），高于基准模型的AUC（95%CI）0.852（0.650~0.957），两者比较差异有统计学意义（P=0.031）。深度学习模型错误诊断进展
期肝纤维化 3 例，准确度为 0.929。APRI 错误诊断进展期肝纤维化 7 例，准确度为 0.833。Fib-4 错误诊断进展期和非进展期肝纤
维化各 3 例，准确度为 0.857。深度学习模型的 AUC（95%CI）高于 APRI 的 0.750（0.583~0.917）、Fib-4 的 0.839（0.698~0.981）。
深度学习模型与 APRI、Fib-4 诊断效能比较，差异有统计学意义（均 P＜0.001）。 结论 基于增强 MRI 自动语义分割结果构建的
深度学习模型有望成为无创诊断进展期肝纤维化的方法。 |
| 关键词: |
| DOI： |
| 分类号: |
| 基金项目: |
|
|
|
|
| Abstract: |
|
| Key words: |
