论文标题：DeeplearningRadiomicsofshearwaveelastographysignifcantlyimproveddiagnosticperformancefor
assessingliverfbrosisinchronichepatitisB:aprospectivemulticentrestudy
期刊：GUT
影响因子：17.
发表日期：.05
一篇使用卷积神经网络CNN来对肝纤维化分级进行评估的论文，使用的网络是最基本的CNN分类网络。文章做了大量的对比实验，分析讨论部分非常详细，值得细读。
名词缩写：
LSM,Liverstiffnessmeasurement,肝硬度测定值
2D-SWE,two-dimensionalshearwaveelastography,二维剪切波弹性成像
ThedeeplearningRadiomicsofelastography,DLRE,作者提出的深度学习模型
cirrhosis（F4）,肝硬化
advancedfbrosis(≥F3)，重度肝纤维化
signifcancefbrosis(≥F2)，中度肝纤维化
APRI，aspartatetransaminase-to-plateletratioindex，天冬氨酸转氨酶-血小板比值指数
FIB-4，fibrosisindexbasedonfourfactors
实验与方法
方法：deeplearningRadiomicsofelastography(DLRE)
对比方法：
2D-SWE（即使用2D-SWE的LSM）
APRI
FIB-4
数据：
.01-2.01间诊断为乙肝（chronichepatitisB,CHB)
12个临床中心
个病例，共计张2D-SWE
评估DLRE的整体诊断精度：
使用2/3的样本对神经网络进行训练，使用剩下1/3的样本进行测试。
所有入组病人依据ALT,BMI,和inflammationlevels分为不同的小组，DLRE和其他三种方法的精度在三个不同的任务上进行：1.区分F2；2.区分F3,；3.区分F4
评估不同训练样本对诊断精度的影响
在DLRE中，从训练集中每个病人获取1,3,5张图片来训练三个不同的模型
在2D-SWE中，相应地获取1,3,5个测量值来构建三个模型
对上述模型进行对比分析
评估DLRE的鲁棒性
从十二个临床中心中，随机挑选几个中心作为训练集，剩下的作为验证集（保证每次训练集包含大约2/3的总样本）。上述操作重复三次，从而获取三个不同的训练-验证集，通过这三个不同的训练-验证集来评估DLRE的鲁棒性。
结果
四种不同方法的诊断精度对比
在训练集上，DLRE在三个不同的分类任务上，AUC都显著高于其他三种方法
在验证集上，DLRE在区分F3和F4任务中的AUC显著优于其他三种方法；在区分F2任务中AUC显著优于APRI和FIB-4，但是与2D-SWE无显著区别
不同训练样本对诊断精度的影响
对2D-SWE来说，使用1,3,5个测量值，取得的结果无显著区别，无论是训练集还是验证集
对DLRE来说，使用的图片越多，AUC越高，但不一定有显著差异
对比2D-SWE和DLRE，在测试集上，当使用的图片/测量值为1时，两个模型性能相近；当使用的图片/测量值为3或者5时，DLRE性能优于2D-SWE（无显著区别）
DLRE的鲁棒性
三种不同的训练-验证集划分方法获取到的AUC相近，表明DLRE模型具有较好的鲁棒性
讨论
作者对比了使用DLRE，2D-SWE和生物标记物来评估慢性乙肝病人肝纤维化等级的精度。在评估肝硬化（F4）和重度肝纤维化病人（F3）时，DLRE效果最好，2D-SWE效果次之，生物标记物效果最差。在评估中度肝纤维化病人（F2）时，DLRE和2D-SWE效果相当，都优于生物标记物。
DLRE高度依赖于训练样本的量，使用5张图片训练的模型要优于使用1张和3张
DLRE在多中心的验证中，表现出了很强的鲁棒性
-Theend-
长按下图
转载请注明：http://www.twwak.com/jbzl/9497.html
