非酒精性脂肪性肝病(NAFLD) 是慢性肝病最常见的病因，其全球流行率为38%。NAFLD可进展为非酒精性脂肪性肝炎(NASHD )甚至肝硬化。NAFLD是一种社交型肥胖症，其发病率在全球范围内呈上升趋势。

肝硬化的定义是肝细胞内存在脂肪空泡，这构成了肝硬化的一个组织病理学特征。脂肪变性分级的增加与肝脏病变的预后更差具有相关性。目前，肝活检和MRI分别被认为是评估肝硬化的历史和非侵入性的参考标准技术。这两种技术都具有与成本效益和可用性相关的局限性，妨碍了其在临床的广泛筛选和监测应用。

B型US常用于肝脂肪变性的筛查和监测，具有广泛的实用性、低成本和无辐射。但是，B型US也有一定的局限性，图像来集可能受到可变性的技术来源的影响，例如扫描仪、探头和设置。此外，超声对肝脏脂肪变性的分级取决于操作者的经验，观察者内部和观察者之间有很高的变异性。

人工智能技术的持续发展，特别是在过去十年中深度学习的进步，已经显示出不同应用的潜力。深度学习技术在医学成像中越来越受欢迎，旨在自动化计算机视觉任务，如分类、检测和分割。

近日，发表在Radiology杂志的一项研究以活检为参考标准，评价了NAFLD患者肝脂肪变性分级的一致性和诊断效果。

本项回顾性研究纳入了2010年9月至2019年10月期间接受腹部超声活检和同期肝活检的NAFLD患者和无肝脂肪变性的对照患者。六名阅读者隔两周对US图像进行两次视觉分级。使用κ统计量评估读者同意度。三种深度学习技术应用于B型US来分类二分类脂肪变性等级。采用放射科医生和深度学习模型对二分类脂肪变性等级(S0、S1、S2和S3)的分类性能在单独的测试集上用受试者工作特征曲线下面积(AUC)进行评估。

研究共纳入199例患者，平均年龄53岁±13岁[SD];101人)。在测试集(n = 52)上，放射科医生对脂肪变性分级S0与S1或更高的分类具有公平的解读一致性(0.34 [95% CI: 0.31, 0.37])，而放射科医生的AUC在0.49至0.84之间，深度学习模型的AUC在0.85 (95% CI: 0.83, 0.87)之间。对于S0或S1与S2或S3，放射科医生具有公平的解读一致性(0.30 [95% CI: 0.27, 0.33])，而放射科医生的AUC在0.57至0.76之间，深度学习模型的AUC在0.73 (95% CI: 0.71, 0.75)之间。对于S2或更低与S3相比，放射科医生具有公平的解读一致性(0.37 [95% CI: 0.33, 0.40])，而放射科医生的AUC在0.52至0.81之间，深度学习模型的AUC在0.67 (95% CI: 0.64, 0.69)之间。

表 B型US图像对肝脏脂肪变性分级的诊断性能

本项研究表明，将深度学习方法应用于B型US图像，在肝脏脂肪变性的检测和分级方面具有与放射科医师相当的诊断性能。

原文出处：

Pedro Vianna,Sara-Ivana Calce,Pamela Boustros,rt al.Comparison of Radiologists and Deep Learning for US Grading of Hepatic Steatosis.DOI:10.1148/radiol.230659