新的研究突显了人工智能（AI）在通过常规心脏超声检查进行慢性肝病（CLD）机会性筛查方面的潜力。
一种名为EchoNet-Liver的AI算法在从常规获取的包含肝脏下肋缘图像的经胸心脏超声研究中检测肝硬化和脂肪性肝病（SLD）方面表现出色，开发者在《NEJM AI》杂志上报告称。
“我们希望这种算法能够使医生有机会筛查慢性肝病，识别无症状和未诊断的患者，从而帮助我们治疗与患者心血管和非心血管健康相关的共病，”加利福尼亚州洛杉矶Cedars-Sinai医学中心Smidt心脏研究所心脏病学系助理教授Alan C. Kwan博士告诉《Medscape Medical News》。
利用心脏超声揭示肝脏问题
全球有超过15亿人受到CLD的影响，许多病例由于早期疾病无症状且缺乏常规筛查而未被诊断。传统的诊断方法如肝功能测试、超声波检查和MRI常常受限于成本、可用性和患者访问。
心脏超声检查是一种常见的影像学检查，偶然会捕捉到肝脏的图像，但通常不用于肝病评估。
EchoNet-Liver是一种AI算法，可以从完整的心脏超声检查中识别高质量的下肋缘图像，并检测肝硬化和SLD的存在。
Kwan及其同事使用来自Cedars-Sinai医学中心（CSMC）66,922项研究和24,276名成年患者的近160万份心脏超声视频对其进行训练。模型预测结果与临床评估的配对腹部超声或MRI研究的诊断进行了比较。外部验证研究使用了斯坦福医疗保健类似的数据。
在“保留”的CSMC超声数据集中，EchoNet-Liver检测肝硬化的受试者工作特征曲线下面积（AUROC）为0.837（95% CI，0.828-0.848），检测SLD的AUROC为0.799（95% CI，0.788-0.811）。
该算法检测肝硬化的敏感性为69.6%，特异性为84.6%，检测SLD的敏感性为74.1%，特异性为72.0%。
在斯坦福医疗保健外部验证测试超声队列中，该模型检测肝硬化的AUROC为0.830（95% CI，0.799-0.859），检测SLD的AUROC为0.769（95% CI，0.733-0.813），肝硬化的敏感性和特异性分别为80.0%和70.9%，SLD的敏感性和特异性分别为66.7%和78.0%。
在CSMC MRI配对队列中，EchoNet-Liver检测肝硬化的AUROC为0.704（95% CI，0.699-0.708），检测SLD的AUROC为0.725（95% CI，0.707-0.762）。
识别亚临床肝病以改善预后
“在不同的人群和疾病定义中，深度学习增强的心脏超声检查实现了高通量、自动化的CLD检测，这可能有助于机会性筛查无症状肝病，”作者写道。
“通过改进亚临床CLD的诊断，我们可以限制或逆转疾病进展，并通过将患者分流到适当的临床和诊断管理来改善护理，”他们说。
研究人员指出，该工具是在一个同时接受腹部超声和心脏超声检查的患者队列中开发的，因此这些患者可能比一般接受心脏超声检查的人群具有更高的肝病患病率。EchoNet-Liver在一般心脏超声人群中的实际临床效用将取决于其能否有效地检测未诊断的CLD，他们警告说。
“虽然我们基于临床数据开发了这个算法，但在临床上应用通常需要FDA批准，我们尚未申请，”Kwan告诉《Medscape Medical News》。
“我们计划在多个站点前瞻性地验证这一算法，以确保其应用能改善患者护理，而不会导致过多的诊断测试，从而为患者和整个医疗系统提供价值，”Kwan说。
资金部分由日本学术振兴会（KAKENHI）提供。Kwan报告称从InVision公司获得了咨询费。
(全文结束)
