深度学习辣汤小组文献阅读学习之一百六十七篇
2024/4/19
DeepLearning 深度学习辣汤小组
基于图像的机器学习模型在肝硬化静脉曲张出血预后方面优于临床风险评分
Abstract
2023年，来自东南大学附属中大医院放射科的Yin Gao等人开发并验证基于对比增强 CT 图像的机器学习模型，以预测肝硬化合并急性静脉曲张出血 (AVB) 患者发生复合临床终点（医院干预或死亡）的风险，该模型性能优于传统临床评分，并在期刊EUR RADIOL（IF=5.9，医学2区TOP）上发表题为“An imaging-based machine learning model outperforms clinical risk scores for prognosis of cirrhotic variceal bleeding”的文章。
DOI
https://doi.org/10.1007/s00330-023-09938-w
左右滑动查看文章
一、研究背景
静脉曲张出血是肝硬化门静脉高压最严重的并发症。胃食管静脉曲张破裂出血与肝硬化患者的高死亡率直接相关。急性静脉曲张出血(AVB)在6周内的死亡率为16-26%。因此，肝硬化出血高危患者必须及早发现，密切监测或早期干预。风险分层有助于识别高危患者，改善预后。目前临床上对预后的评估主要使用临床风险评分，比如：评价上消化道出血的评分，包括Glasgow-Blatchford（GBS）评分、AIMS65评分、入院Rockall评分（ARS）、full Rockall评分等，以及评估肝硬化患者的整体预后，包括终末期肝病模型(MELD)、child - turcote - pugh(CTP)评分和白蛋白-胆红素(ALBI)评分。几乎所有的研究都使用这些评分来预测肝硬化静脉曲张出血患者的院内结局(院内死亡率或再出血)。但是，这些针对AVB患者的评分系统一直专注于单一临床终点，从未关注医院干预需求或死亡的复合终点。
先前的研究表明放射组学在各种肝脏疾病中的潜在应用，包括肝纤维化分期和门脉高压的检测。假设基于肝脏和脾脏CT图像的放射学特征可以更好地驱动肝硬化AVB患者临床复合终点的预测模型。本研究的目的是开发和验证一种非侵入性放射组学模型，以评估肝硬化AVB患者基于医院干预或死亡的风险，并将其与现有临床模型进行比较。
二、数据集
本研究回顾性分析了2017年1月至2020年12月在南京市第二医院(A中心)、江苏省苏北人民医院(B中心)和东南大学附属中大医院(C中心)的患者数据，纳排标准如图1。共收集到330例患者，将A中心和B中心共240例患者按7:3的比例随机分为训练集和内部测试集，外部测试集由C中心招募的90例患者组成。
所有入组患者均进行了来自三个中心的标准化腹部增强CT检查。入组时，从所有符合条件的受试者的电子病历中收集以下数据:人口统计数据(年龄、性别)、临床数据(肝硬化病因学、临床终点)和实验室数据(肝功能、肾功能、血小板计数、血红蛋白和凝血酶功能)。使用基线特征计算CTP、MELD、ALBI、ARS、GBS和AIMS65评分。临床复合终点定义为30天内医院干预(输血、内窥镜治疗、介入治疗、手术)的需要或死亡率。
三、研究方法
研究方案如图2所示，使用双阶段深度学习网络（该团队先前的研究）自动分割门静脉期增强CT图像上的肝脏和脾脏区域，对分割之后的图像预处理之后进行特征提取和特征选择。本研究分别建立肝脏模型和脾脏模型，然后通过放射组学方法建立肝脾融合模型(LS模型)。采用支持向量机(SVM)、随机森林(RF)、逻辑回归(LR)、线性判别分析(LDA)、决策树(DT)、多层感知(MLP)等不同分类器构建诊断模型。在训练数据集上进行5倍交叉验证，以确定交叉验证中AUC最高的优化组合。然后，使用所有的训练数据集对模型进行训练，最后得到训练、内部测试和外部测试的推理结果。根据这两个模型的预测结果，通过logistic回归构建LS模型。最终将所构建模型与临床评分进行比较。
四、结果与结论
LS模型在预测肝硬化患者AVB的综合临床终点方面表现出优异的诊断性能，训练组的AUC为0.9。LS模型在内部测试集和外部测试集的AUC分别为0.782和0.789。LS模型总体表现优于肝脾模型(图3a-c)。
LS模型优于目前传统的临床风险评分。Delong检验结果显示，与试验组除GBS外的所有其他临床评分相比，LS模型改善了预测临床综合终点的AUC（GBS p = 0.11，其他临床评分p < 0.05，见表S5）。在表1中，ALBI评分（AUC = 0.754）在训练集中的表现高于其他临床评分（AUC范围为0.517-0.751）。GBS评分（AUC = 0.730）在内测集中表现优于其他临床评分（AUC范围为0.507-0.620）。在外部测试中，GBS评分表现最佳（AUC = 0.631）。所有临床评分的F2评分在内外测试集均小于0.8。
决策曲线分析（DCA曲线）是一种评估诊断测试在患者对治疗不足和过度风险偏好的背景下的益处的方法，以促进对测试选择和使用的决策。DCA结果如图3d-f所示。LS模型的性能优于GBS、AIMS65和ALBI评分。基于门静脉造影增强CT图像的LS预测模型在识别复合终点的肝硬化AVB患者的风险方面具有很好的性能。
图1：纳排标准
图2：研究流程图
图3：a-c：肝硬化静脉曲张出血预后的放射组学模型ROC分析，d-f：肝硬化静脉曲张出血预后的放射组学模型DCA分析
表1：LS模型与临床风险评分之间的性能对比
Pepper soup transformed by: Yang Na
//
深度学习辣汤AI小组由徐州医科大学以及徐州医科大学附属医院一群热爱人工智能的小伙伴们组成，欢迎大家跟我们交流学习!
扫码关注我们
欢迎加入我们！
成员微信号：cy2011mcu
添加好友时请备注：
您的 单位-科室-姓名-研究方向
