小罗碎碎念
今天和大家分享一个国自然地区科学基金项目，项目执行期为2020.01 - 2023.12，直接费用为34万。
研究通过构建NAFLD动物模型，运用US-SWE、MSCT、DECT、MRI等多模态影像技术和深度学习方法，评估疾病严重程度及病理特点。
研究发现多种影像技术可无创监测和评估NAFLD，单模态和多模态影像在不同阶段的诊断效能各异，深度学习预测脂肪含量准确率较高，并提出“放射生物信息学”概念。项目成果丰硕，发表11篇英文论文（10篇SCI收录），获多项专利、软件著作权、奖励，培养了专业人才团队。
不过，研究存在动物模型局限性、图像质量欠佳、影像评价误差、特征提取不足等问题。后续建议增加动物模型样本、完善染色技术、综合分析多模态影像数据、加强多学科协作并结合临床研究。
知识星球
如需获取推文中提及的各种资料，欢迎加入我的知识星球！
一、项目简介
- 研究背景与目的：非酒精性脂肪性肝病（NAFLD）是慢性肝病常见原因，肝活检作为诊断“金标准”存在创伤性和取样误差，临床影像学诊断各有优劣。本研究旨在通过建立NAFLD动物模型，利用多模态影像及深度学习技术精准评估NAFLD严重程度和病理特点，指导临床影像检查选择。
- 研究方法
- 研究成果
- 动物模型与影像评估：成功构建NAFLD动物模型，其建立具有个体差异性。US-SWE及MSCT可无创动态监测肝硬度和密度变化；多种影像技术相关参数能无创评估NAFLD严重程度和病理特点，且不同病理特点间关系密切。
- 诊断效能分析：单模态影像对不同阶段NAFLD鉴别诊断效能存在差异，MSCT或MRI-FF值在鉴别部分阶段时诊断效能优于US-SWE。多模态影像联合诊断时，合适组合可提高诊断效能，如SWE + CT + S + FF联合诊断在鉴别<交界性NASH和NASH时ROC曲线下面积达0.970。
- 其他发现：深度学习预测NAFLD动物模型病理切片脂肪含量准确率可达88.34%；US-SWE、CT及多参数MRI能有效鉴别脂肪含量和纤维化严重程度；阐述了影像组学在脂肪肝上的分析流程，提出“放射生物信息学”概念 。
- 学术成果与人才培养
- 学术成果：发表英文论文11篇，其中10篇被SCI期刊收录；授权国家发明专利1项；国际（内）专题发言2次；登记软件著作权2项；获得部级奖励1项。
- 人才培养：形成多专业人才科研团队，培养博士后1名、多名医学影像研究生。项目主持人在多个学术组织任职，部分成员取得学位进展或入选人才项目。
- 问题与建议
- 存在问题：动物模型无法完全模拟人类疾病，图像质量有待提高，影像评价方法存在误差，影像学特征提取分析方法有不足。
- 建议：增加动物模型样本种类和数量，完善染色技术，利用机器学习算法综合分析多模态影像数据，增强多学科协作，结合临床研究验证结果。
二、基于深度学习的脂肪肝CT图像分割及严重程度病理分类流程图
- 肝脏分割算法：以U - net结构为基础，将输入的CT图像送入该算法。U - net结构包含卷积、最大池化、上采样等操作，通过一系列的下采样和上采样过程，对肝脏进行分割，输出分割后的CT图像。
- 特征提取：分割后的CT图像进入特征提取环节，此环节由多个卷积层和池化层组成，通过卷积操作提取图像特征，池化操作对特征进行降采样，从而提取出肝脏图像中的关键特征。
- 分类：提取的特征输入到全连接层进行分类，最终输出层给出脂肪肝的严重程度分类结果，分为S0、S1、S2、S3四个等级，以此来判断脂肪肝的严重程度。
三、基于放射组学的肝纤维化评估流程图
这一部分涵盖从图像输入到临床应用分析的多个步骤。
- 导入CT图像：图中展示了多张肝脏的CT图像，这是评估的起始步骤，将原始的CT图像数据输入系统。
- ROI分割：即感兴趣区域（Region of Interest）分割。在CT图像上对肝脏区域进行标记和分割，确定用于后续分析的特定区域。
- 特征提取：从分割后的ROI中提取多种特征，包括一阶特征（如直方图相关特征）、纹理特征（以矩阵形式展示）和形状特征（呈现肝脏的三维形状模型）。
- 特征选择：运用算法对提取的大量特征进行筛选，去除冗余和无关特征，保留最具代表性的特征，以降低数据维度，提升分析效率和准确性。图中展示了特征选择过程中的一些可视化结果，如曲线和散点图等。
- 临床应用与分析：将筛选后的特征用于临床评估和分析。通过绘制ROC曲线（受试者工作特征曲线）等方式评估模型性能，还展示了不同特征与临床指标之间的关系，以及模型预测概率等相关分析结果。
结束语
本期推文的内容就到这里啦，如果需要获取医学AI领域的最新发展动态，请关注小罗的推送！如需进一步深入研究，获取相关资料，欢迎加入我的知识星球！
