多模态MRI影像与人工智能结合模型在肝纤维化分期中的应用价值研究OA

目的通过多模态MRI提取放射组学特征,结合支持向量机(SVM)模型,构建肝纤维化分期人工智能识别体系,探索其在肝纤维化分期中的应用价值。方法回顾性收集2020年1月至2024年12月宁波大学附属人民医院收治的148例肝纤维化患者的临床资料,采用随机数字表法,按约7∶3比例分为训练集103例和验证集45例;经肝穿刺活检,按Metavir分期标准分为F0~1期33例、F2期41例、F3期17例、F4期57例。2名高年资放射科医师采用双盲法评估图像质量,纳入1~2级图像;使用ITK-SNAP 4.13.0软件勾画感兴趣区,LIFEx 3.44软件提取纹理特征、一阶特征,遗传算法筛选20个核心特征。构建3个SVM二分类子模型,模型一(F0~2期比F3~4期)、模型二(F0~1期比F2期)、模型三(F3期比F4期),以准确率、ROC曲线与AUC值评估模型用于肝纤维化分期的效能。结果三模型性能差异明显:模型三(F3比F4期)最优,训练集准确率为84.78%、AUC为0.901,验证集准确率为100%、AUC为1.000(95%CI:1.000~1.000),分期鉴别效能及泛化性稳定;模型二(F0~1期比F2期)次之,训练集与验证集准确率(80.76%比90.90%)、AUC(0.899比0.891)接近,稳定性良好;模型一(F0~2期比F3~4期)较差,验证集AUC为0.590(95%CI:0.401~0.779),低于训练集的0.838,存在过拟合风险。分层递进式联合策略总分期准确率63.50%(94/148),F0~1期、F2期、F4期准确率较高(69.69%、68.29%、70.17%),F3期偏低(52.94%)。结论基于多模态MRI放射组学的SVM模型可有效实现肝纤维化分期在F0~1期与F2期、F3期与F4期的细分鉴别中表现优异,可为临床提供客观、定量的分期工具。