European Radiology：非酒精性脂肪性肝病(NAFLD)的检测和深度学习在中国人群中的应用

非酒精性脂肪肝（NAFLD）是世界范围内非常常见的慢性疾病，全球综合患病率为29.8%，在中国大陆的总体患病率约为30%。其患病率在全球范围内不断上升，而中国的非酒精性脂肪肝负担在短时间内经历了意想不到的快速增长，从2008-2010年的25.4%上升到2015-2018年的32.3%。

非酒精性脂肪性肝炎是指少喝酒或不喝酒的人的肝脏（肝细胞）中积累了过多的脂肪（>5%），包括简单的脂肪变性（脂肪肝）、非酒精性脂肪肝炎（NASH，脂肪肝伴有炎症），可导致肝脏纤维化、肝硬化，在某些情况下还可导致肝细胞癌。然而在非酒精性脂肪肝的早期状态下，很可能出现自发的进展和消退；因此，准确地对非酒精性脂肪肝的阶段和严重程度进行分类是非常重要的。磁共振成像（MRI）、质子密度脂肪分数（PDFF，以百分比计）、化学移位编码MRI、磁共振光谱和计算机断层扫描（CT）等成像方式对于量化肝脏脂肪含量（尤其是MRI-PDFF）具有高度的准确性和精确性。

对非酒精性脂肪肝严重程度（脂肪变性程度）的准确分类需要放射学方面的专业知识和适当的超声设备，而这在资源和专业知识匮乏的农村地区或中低收入国家（LMICs）往往是有限的。根据NAFLD指南，通过超声诊断NAFLD的严重程度需要多种特定的诊断特征。然而，标记这些特征在很大程度上取决于放射科医生的专业知识。因此，由于放射科医生意见的主观性，也应考虑对研究参与者使用相同的标准进行共识审查。迄今为止，在深度学习研究中，基于放射科医生的诊断对非酒精性脂肪肝检测的诊断特征进行评估的数据还十分有限。

近日，发表在European Radiology杂志的一项研究使用了928名参与者中每个人的2张标有诊断特征的超声图像开发并验证了一个用于检测非酒精性脂肪肝存在和严重程度的深度学习系统（DLS），为进一步提高DLS的分类性能和可解释的临床相关效用提供了技术支持。

本项研究对中国杭州的4144名腹部超声扫描参与者进行了抽样调查，抽取了其中928名（617名[66.5%]女性，平均年龄：56岁±13[标准差]）参与者（每名参与者2张图像）来开发和验证DLS，该DLS为一个两段式神经网络（2S-NNet）。放射科医生通过共识诊断将肝脏脂肪变性分为无脂肪变性、轻度、中度和重度，并在数据集上探索了六个单节神经网络模型和五个脂肪肝指数的非酒精性脂肪病检测性能。同时进一步通过逻辑回归评估了参与者的特征对2S-NNet正确性的影响。 

2S-NNet对肝脂肪变性的曲线下面积（AUROC）为：≥轻度为0.90，≥中度为0.85，重度为0.93；对NAFLD的存在为0.90，中度至重度为0.84，重度为0.93。2S-NNet的非酒精性脂肪病严重程度的AUROC为0.88，单节模型为0.79-0.86。2S-NNet的非酒精性脂肪肝存在的AUROC为0.90，而脂肪肝指数为0.54-0.82。年龄、性别、体重指数、糖尿病、纤维化-4指数、安卓脂肪比率和通过双能X射线吸收仪测量的骨骼肌对2S-NNet的正确性没有明显影响（P>0.05）。 

 表 在测试数据集中，参与者的特征与2S-NNet对非酒精性脂肪肝严重程度分类的正确性之间的相关性（n = 179）

本项研究表明，通过使用两段式设计，2S-NNet提高了检测非酒精性脂肪肝的性能，与使用一段式设计相比具有更多可解释的临床相关价值及能力。 

原文出处：

Yang Yang,Jing Liu,Changxuan Sun,et al.Nonalcoholic fatty liver disease (NAFLD) detection and deep learning in a Chinese community-based population.DOI:10.1007/s00330-023-09515-1