Radiology:健康个体和病毒性肝炎患者肝脏和脾脏体积的个性化参考区间

2021-08-24 shaosai MedSci原创

由于多种疾病都与肝脏或脾脏体积的异常有关,因此对于肝脏和脾脏体积的评估具有重要的临床意义。

 由于多种疾病都与肝脏或脾脏体积的异常有关,因此对于肝脏和脾脏体积的评估具有重要的临床意义。尽管CT容积测量法是测量肝脏和脾脏容积的最可靠的无创影像学手段,但耗时的分割过程限制了其临床应用。在解CT结果进行分析时,通常通过视觉估计或测量器官长度来评估肝脏或脾脏体积,因此准确性十分有限

现阶段深度学习算法的最新进展使得基于CT的肝脏和脾脏体积的自动测量成为可能。在这方面,需要建立肝脏和脾脏体积的正常参考区间来评估测量的体积是正常还是异常。然而据我们所知肝脏和脾脏体积的参考区间尚未得到完善的评估

近日,发表在Radiology杂志的一项研究通过使用基于人口的和个性化的方法,在一个大样本的健康成人肝脏捐赠者中肝脏、脾脏体积和肝脏与脾脏体积比的参考区间进行了系统性评估为该技术及方法在临床上的广泛应用铺平了道路

本项回顾性研究连续纳入了2001年至2013年(参考组)和2014年至2016年(健康验证组)的健康成人肝脏捐赠者和2007年至2017年的病毒性肝炎患者。通过使用深度学习算法,用CT测量肝脏体积、脾脏体积和LSVR。在参考组中,体积指数的参考区间是通过使用基于人群(包含中心95%的捐赠者的范围)和个性化(作为年龄、性别、身高和体重函数的2.5和97.5百分位的量化回归模型)的方法进行确定的。在健康验证组和病毒性肝炎组中对参考区间的有效性进行了评估。

参考组和健康验证组分别有2989名捐赠者(平均年龄±标准差,30岁±9;1828名男性)和472名捐赠者(平均年龄,30岁±9;334名男性)。病毒性肝炎组有158名患者(平均年龄,48岁±12;95名男性)。基于人群的参考区间为:肝脏体积为824.5-1700.0立方厘米,脾脏体积为81.1-322.0立方厘米,LSVR为3.96-13.78。在健康验证组中,使用基于人群的参考区间和个性化的参考区间将94%-96%的捐赠者的体积指数归入参考区间内。在病毒性肝炎组,与基于人群的参考区间相比,个性化参考区间有助于体积指数在参考区间之外的患者进行识别(肝脏体积,21.5% [158人中的34人] vs 13.3% [158人中的21人],P = .01;脾脏体积,29.1% [158人中的46人] vs 22.2% [158人中的35人],P = .01;LSVR,35.4% [158人中的56人] vs 26.6% [158人中的42人] , P < .001)。

 

 (A)一个健康人和(B)一个病毒性肝炎患者的肝脏和脾脏体积测量的代表示例。由深度学习产生的肝脏(粉红色)和脾脏(绿色)掩模叠加在轴位门静脉期的CT图像上。(A)健康验证组,49岁女性(身高,164厘米;体重,58公斤)的肝脏体积为1113.4厘米,脾脏体积为118.6厘米,肝脾体积比为9.39。体积指数在人群(肝脏体积,824.5-1700.0 cm3;脾脏体积,81.1-322.0 cm3;肝脾体积比,3.96-13.78)和个性化(肝脏体积,858.0-1428.9 cm3;脾脏体积,60.3-240.6 cm3;肝脾体积比,4.53-17.40)参考区间内。(B)56岁女性(身高152厘米;体重54公斤),因丙型肝炎病毒引起的肝硬化,肝脏体积为807.3cm3,脾脏体积为234.6cm3,肝脾体积比为3.44。该患者的个性化参考区间为:肝脏体积807.7-1341.6cm3,脾脏体积39.3-208.8cm3,肝脾体积比为4.82-19.32。基于人群的参考区间和个人化的参考区间都导致肝脏体积和肝脾体积比的分类在参考区间之外。脾脏体积在基于人群的参考区间内,但在个性化的参考区间外。

本研究提出了基于人群和个人的肝脏体积、脾脏体积和肝脏与脾脏体积比的参考区间。所提出的参考区间能够对肝脏和脾脏体积进行循证评估,使得基于深度学习的自动CT体积测定法在临床上实现常规应用意义重大

原文出处

Dong Wook Kim,Jiyeon Ha,Seung Soo Lee,et al.Population-based and Personalized Reference Intervals for Liver and Spleen Volumes in Healthy Individuals and Those with Viral Hepatitis.DOI:10.1148/radiol.2021204183

版权声明:
本网站所有注明“来源:梅斯医学”或“来源:MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明“来源:梅斯医学”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (0)
#插入话题

相关资讯

Radiology:深度学习,使影像学评估肺结核的活动性成为可能!

结核分枝杆菌是全球十大死亡原因之一,现阶段仍然是一个主要的公共卫生问题。

Radiology:深度学习,让快速心脏MRI成为可能!

现阶段,心脏MRI已被认为是无创评估心室容积和功能的最佳参考标准。通常情况下,临床上通过使用多次屏气获得多切面的二维cine bSSFP短轴采集以减轻呼吸运动所带来的的伪影。

Radiology:SSc相关性ILD的评价,我们又近了一步

间质性肺疾病(ILD)是系统性硬化症(SSc)患者发病及死亡的主要原因。胸部高分辨率CT是检测ILD最可靠的影像学方法。初始ILD程度可预测疾病的进展和死亡率。

BJU Int:使用深度学习模型进行尿液细胞图像识别

尿液细胞学是一种无创的、可重复的、廉价的筛查方法,有利于促进原发性尿路上皮癌的检测,并可用于跟踪潜在的复发。然而,其诊断低等级尿道癌的敏感性较低。

NeuroImage:fMRI连接的深度学习模型预测近期创伤幸存者的PTSD症状轨迹

与现有的方法相比,该预测对所有三个时间点都具有很高的准确性,并且受益于使用单一模型一次性学习所有这些时间点。进一步显示了对PTSD症状群和障碍持久性的高预测能力。

Nature Medicine:深度学习快速检测艾滋病

该研究经证明了深度学习对RDT图像的准确分类的潜力,其整体性能的准确率为98.9%,明显高于研究参与者的传统视觉解释(92.1%),而报告的准确率为80-97%。

打开APP