大阪市立大学的研究人员开发了一种人工智能模型，可以通过常规胸部X光片以超过80%的准确率检测脂肪肝病，提供一种低成本、广泛可用的筛查方法。
这项研究发表在《放射学心血管成像》（Radiology Cardiothoracic Imaging）期刊上，介绍了一种深度学习系统，该系统能够分析标准胸部X光片，以检测肝脂肪变性的迹象。这种方法有可能替代或补充目前用于早期检测的专业扫描设备，例如MRI或超声波检查。通过利用常规医疗中已有的影像技术，该方法有望显著扩大对这种常见但经常未被诊断的疾病的筛查覆盖范围。
背景
脂肪肝病影响着全球约25%的人口，如果未及时治疗，可能会发展为肝硬化或肝癌等严重疾病。目前的诊断工具如超声波、CT扫描和MRI虽然有效，但需要昂贵的设备和专门的设施。相比之下，胸部X光片则广泛普及且成本低廉，但传统上未被用于肝脏状况评估。
大阪市立大学的研究人员小林佐和子副教授和上大寛树副教授注意到胸部X光片通常会包含部分肝脏影像，因此看到了其中的潜在价值。他们团队进行了回顾性分析，研究人工智能是否能够从这些未被充分利用的影像中识别出脂肪肝的迹象。研究人员利用来自4414名患者的6599张胸部X光片，训练了一个模型，根据受控衰减参数（CAP）评分——一种衡量肝脏脂肪含量的既定指标——来检测肝脂肪变性。
研究方法与AI开发
本研究分析了过去十年（2013年至2023年）收集的数据，重点关注同时接受胸部X光检查和CAP评分的患者。CAP评分由振动控制瞬时弹性成像技术得出，被用作确定肝脏脂肪含量的黄金标准。
在总共6599组X光片与CAP评分数据中，研究人员将数据集分为训练集（80%）、调优集（10%）和内部测试集（10%），并另外建立了一个来自另一家医院的外部测试集。AI模型被训练用于识别胸部X光片中的视觉模式，并与CAP评分确认的肝脂肪变性病例相对应。
关键在于，该模型不需要对胸部X光片的拍摄方式进行任何调整，它仅利用标准影像中出现的右上腹区域。系统在内部和外部测试集中均取得了良好结果，AUC（曲线下面积）评分分别为0.83和0.82。特异性达到了82%和76%，而敏感性范围为68%至76%，与超声波诊断脂肪肝的典型敏感性范围（60%-80%）接近。
临床意义与未来应用
这一方法为大规模筛查开辟了新的可能性。在许多医疗环境中，胸部X光的执行频率远高于腹部超声波检查，有时甚至高出100倍。将该AI模型整合进现有的放射科工作流程中，可以让临床医生在查看因肺部或心脏问题而拍摄的影像时，同时发现潜在的肝脏问题。
对于资源有限的诊所和医院而言，该系统尤其有价值。它提供了一种可扩展的解决方案，无需额外成像即可识别高风险患者，减少不必要的随访检查，同时优先安排需要进一步评估的患者。研究人员还表示，未来版本的模型可以结合人口统计或实验室数据，以进一步提高准确性。
小林佐和子教授强调了该工具在预防性医疗中的潜力，它可以通过更便捷的早期检测方式改变医疗实践。目前，研究团队正在推进临床试验，以在真实世界环境中测试该系统，并探索其在其他可能在胸部X光中偶然发现的疾病中的应用。随着全球肥胖和脂肪肝病的持续上升，早期识别将成为预防不可逆肝脏损伤的关键。
结论
通过使用现有的胸部X光片和深度学习模型，本研究展示了一种实用且有效的脂肪肝筛查方式，无需增加成本或辐射暴露。该AI系统展现出与专业成像技术相当的诊断性能，有望为全球更多患者带来早期检测的机会。这是人工智能如何从常规医疗数据中挖掘隐藏价值的一个清晰例证，将熟悉的工具转变为更强大的诊断资产。
【全文结束】
