"""

基于深度学习的超声辅助诊断CHB合并NAFLD肝纤维化研究

1. 研究背景与意义

1.1 研究背景

1.1.1 CHB与NAFLD的流行现状

• 慢性乙型肝炎（CHB）和非酒精性脂肪性肝病（NAFLD）是当前全球最常见的两大肝病。
• 我国是CHB和NAFLD的重灾区，这两种疾病严重威胁着人们的健康。
• CHB和NAFLD的合并症在临床上越来越常见，但目前缺乏有效的诊断方法。

1.1.2 肝纤维化的诊断挑战

• 肝纤维化是肝脏疾病发展至肝硬化、肝癌的关键阶段，但其早期诊断较为困难。
• 传统的肝组织穿刺检查存在一定风险，难以作为常规诊断手段。
• 目前，影像学技术和血清学指标在肝纤维化诊断方面存在一定局限性。

1.2 研究意义

• 探索一种无创、准确、可靠的肝纤维化诊断方法，对于CHB合并NAFLD患者的早期干预和治疗具有重要意义。
• 提高肝纤维化的诊断准确性和效率，有助于改善患者的预后和生活质量。
• 推动人工智能在医学影像诊断领域的应用，为未来的医疗技术发展提供新思路。

2. 研究方法与过程

2.1 数据采集与处理

2.1.1 数据来源

• 选取我院2019年6月至2022年12月期间经二维超声及FibroScan检查诊断为CHB合并NAFLD患者共2803例（20540张肝脏二维声像图）。
• 另选取具备肝脏病理穿刺结果的CHB合并NAFLD患者共150例（922张肝脏二维声像图）用于深度学习模型验证。

2.1.2 数据预处理

• 去除冗余背景信息，如病人信息、测量标尺、仪器设置等。
• 调整图像大小，并进行随机翻转、旋转、颜色抖动等操作，以增加数据的多样性和模型的泛化能力。

2.1.3 模型构建与训练

• 采用深度学习网络骨干为ResNet18，对输入的每张二维声像图进行特征提取。
• 对所有图像特征进行特征融合（取平均特征），最后输入分类器得到分类结果。
• 采用LDAM损失函数，以解决数据不平衡问题。

2.2 模型验证与分析

2.2.1 模型验证

• 用具备肝脏病理穿刺结果的CHB合并NAFLD患者共150例（922张肝脏二维声像图）作为深度学习模型验证的数据集。
• 将数据集输入到完成训练的模型中，得到每个病例是否存在肝纤维化的诊断结果。

2.2.2 模型与不同级别超声医师的比较

• 选择三名超声医师，分别为初级医师、中级医师、高级医师，对验证集图像进行独立识别和判断。
• 比较AI模型独立诊断和AI模型辅助下各级别医师的诊断结果，评估模型的诊断效能。

2.3 结果与讨论

2.3.1 诊断结果比较

• AI模型独立诊断的灵敏度、准确度均高于初级医师、中级医师、高级医师独立诊断，差异有统计学意义（P＜0.001）。
• AI模型辅助下诊断的灵敏度、准确度均高于初级医师、中级医师、高级医师独立诊断，差异有统计学意义（P＜0.001）。

2.3.2 诊断效能比较

• AI模型独立诊断的AUC均大于初级医师、中级医师、高级医师独立诊断的AUC，差异有统计学意义（P＜0.001）。
• AI模型辅助初级医师、中级医师、高级医师诊断的AUC分别高于初级医师、中级医师、高级医师独立诊断的AUC，差异具有统计学意义（P＜0.001）。

2.4 研究局限性与展望

• 本研究是回顾性单中心研究，还需进行多中心深入研究。
• 数据存在不均衡性，未来将进一步优化数据质量及均衡性。
• 未来可对肝纤维化进行更细的分期诊断，以提高模型的临床应用价值。

3. 结论与建议

3.1 结论

• 基于肝脏二维声像图构建的深度学习模型，在智能辅助识别CHB合并NAFLD患者是否存在肝纤维化方面具备一定的可行性。
• AI模型辅助超声医师诊断的准确性均有大幅提高，且具备同质化趋势。
• AI技术在医学影像诊断领域的应用前景广阔，有望为临床诊断提供更多支持。

3.2 建议

• 进一步优化模型，提高其在复杂背景下的诊断准确性和泛化能力。
• 结合其他影像学技术和血清学指标，建立多模态的肝纤维化诊断体系。
• 推广AI技术在基层医疗单位的应用，提高肝纤维化诊断的可及性。

4. 参考文献

[1] HANIF H, KHAN M M, ALI M J, et al. A New Endemic of Concomitant Nonalcoholic Fatty Liver Disease and Chronic Hepatitis B[J]. Microorganisms, 2020,8(10). [2] YANG R X, FAN J G. [Clinical research advances in chronic hepatitis B complicated by fatty liver disease][J]. Zhonghua Gan Zang Bing Za Zhi, 2018,26(1): 73-76. [3] CHARATCHAROENWITTHAYA P, PONGPAIBUL A, KAOSOMBATWATTANA U, et al. The prevalence of steatohepatitis in chronic hepatitis B patients and its impact on disease severity and treatment response[J]. Liver Int, 2017,37(4): 542-551. [4] TERKELSEN M K, BENDIXEN S M, HANSEN D, et al. Transcriptional Dynamics of Hepatic Sinusoid-Associated Cells After Liver Injury[J]. Hepatology, 2020,72(6): 2119-2133. [5] WANG K, LU X, ZHOU H, et al. Deep learning Radiomics of shear wave elastography significantly improved diagnostic performance for assessing liver fibrosis in chronic hepatitis B: a prospective multicentre study[J]. Gut, 2019,68(4): 729-741. [6] LIU Z, WEN H, ZHU Z, et al. Diagnosis of significant liver fibrosis in patients with chronic hepatitis B using a deep learning-based data integration network[J]. Hepatol Int, 2022. [7] SOWA J P, HEIDER D, BECHMANN L P, et al. Novel algorithm for non-invasive assessment of fibrosis in NAFLD[J]. PLoS One, 2013,8(4): e62439. [8] CAO K, WEI C, GAIDON A, et al. Learning Imbalanced Datasets with Label-Distribution-Aware Margin Loss[J]. 2019. [9] LEE Y B, HA Y, CHON Y E, et al. Association between hepatic steatosis and the development of hepatocellular carcinoma in patients with chronic hepatitis B[J]. Clin Mol Hepatol, 2019,25(1): 52-64. [10] CHAN A W, WONG G L, CHAN H Y, et al. Concurrent fatty liver increases risk of hepatocellular carcinoma among patients with chronic hepatitis B[J]. J Gastroenterol Hepatol, 2017,32(3): 667-676. [11] YU M W, LIN C L, LIU C J, et al. Influence of Met"""