發布日期：2018-05-02

　　我國擁有近一億的乙型肝炎病毒攜帶者，并占有全球超過50%的慢性乙肝患者，這長期成為我國嚴重的公共醫療衛生問題乃至社會問題。肝纖維化是慢性乙肝患者向肝硬化、肝癌逐步發展的病理學表現，其精準分期診斷是臨床監視、治療決策和預后評估的重要依據。然而，臨床對于肝纖維化分期依賴于肝臟活組織穿刺檢測。該方法不僅對患者具有身體創傷、副作用明顯，而且難以重復使用，無法長期、動態監視患者病情的發展。因此，乙肝患者的臨床診療一直在尋求無創的影像學方法實現肝纖維化的精準分期。

　　針對這一臨床挑戰性問題，中科院分子影像重點實驗室通過多項技術創新，將影像組學領域中基于深度學習的醫學影像大數據人工智能分析技術，應用于超聲彈性成像的計算機輔助診斷。通過相關模型和算法的定制化設計，使其能夠基于超聲彈性圖像，無創、智能化分期診斷患者的肝纖維化程度，從而輔助醫生實現乙肝患者的個性化治療決策。相關方法由中山大學第三附屬醫院和中國人民解放軍總醫院牽頭，開展了多中心、前瞻性臨床試驗驗證。在全國12家醫院共計入組398例乙肝患者，采集約2000張超聲彈性圖像，并以相應的肝臟活組織穿刺檢測結果為金標準，進行了影像組學人工智能診斷、常規彈性成像診斷和臨床血清學診斷三種方法對于乙肝纖維化分期精度的大數據對比。

　　統計結果表明，影像組學方法在肝纖維化分期無創診斷中，精度達到了驚人的97%-100%，實現了與有創肝臟活組織穿刺檢測相同的診斷效能。相對于常規超聲彈性成像，精度平均提高了15%以上；相對于血清學診斷，精度平均提高了30%以上（如下圖）。此外，該項研究表明，隨著樣本量的逐步增大，影像組學人工智能的診斷精度會逐步提高，但是超聲彈性成像和血清學診斷的精度達到峰值后則無法提高。國際EFSUMB臨床指南推薦：針對單個患者，臨床建議提取3張彈性圖形進行診斷。本次試驗證明，依照指南要求，影像組學方法已經顯著超出常規彈性成像的診斷精度；如果單個病人提取5張彈性圖像，則影像組學與彈性成像診斷精度的差距還會進一步拉大。這一結果表明了人工智能輔助臨床診斷的顯著優勢和強大潛力。最后，該項研究還表明影像組學方法具有極高的魯棒性。本次參與試驗的醫院雖然位于我國的不同地域，但是采用人工智能技術隨機選取不同醫院的患者來構建的多個影像組學模型，其診斷精度沒有任何統計學差異。這為將影像組學方法進行全國范圍推廣，真正融入日常的臨床診斷規范，提供了堅實的理論基礎和臨床數據證明。

　　相關研究由中科院分子影像重點實驗室副研究員王坤作為第一作者，中山大學第三附屬醫院超聲科主任鄭榮琴、中科院分子影像重點實驗室研究員田捷和中國人民解放軍總醫院介入超聲科主任梁萍為并列通訊作者，發表于臨床期刊Gut（2018，DOI：10.1136/gutjnl -2018-316204）。

影像組學人工智能（DLRE）、超聲彈性成像（2D-SWE）和血清學檢測（APRI，FIB4）三種方法對于肝硬化（圖A和D）、重度肝纖維化（圖B和E）、顯著肝纖維化（圖C和F）分期診斷效能的ROC曲線對比

來源：自動化研究所