Observationel og prospektiv undersøgelse af hepatisk steatose og relaterede risikofaktorer ved hjælp af ultralyd og kunstig intelligens (ST-AI)

I de senere år har ultralyd indtaget en fremherskende rolle i evalueringen af ​​leversteatose, da det er en ikke-invasiv, ikke-bestrålende metode, der er let reproducerbar og billig. Af særlig effektivitet er brugen af ​​det hepatorenale indeks, vurderet som intensitetsforholdet (ekkogenicitet) mellem det hepatiske parenkym og det renale corticale parenkym. De vigtigste begrænsninger ved påvisning af det hepato-renale indeks under abdominal ultralyd er imidlertid operatørafhængighed og brugen af ​​et relativt langt tidsrum til at fuldføre sekvensen af ​​operationer og beregninger, der kræves for at bestemme selve indekset. Brugen af ​​kunstig intelligens (AI) teknikker til billedanalyse inden for det medicinske område giver fremragende resultater. AI-baserede algoritmer er i stigende grad et kraftfuldt værktøj, der gør det muligt for lægen at forbedre deres ydeevne med hensyn til hastighed og nøjagtighed af kliniske evalueringer. I dag er der allerede bevis for effektiviteten af ​​at bruge AI på ultralydsbilleder til kliniske evalueringer. Brugen af ​​kunstig intelligens som en hjælp til diagnosticering af leversygdomme gennem ultralyd er stadig underforsket. Hypotesen, der skal testes, er den nytte, som AI kan have i evalueringen, dens generelle og specifikke anvendelser til at reducere beregningstider for det hepatorenale indeks.

I denne undersøgelse blev 134 patienter inkluderet uden klinisk mistanke om leversteatose. Alle patienter gennemgik abdominal ultralyd (US) og magnetisk resonansbilleddannende fedtfraktion (MRI-PDFF), antaget som referenceteknik til at evaluere graden af ​​steatose. Det hepatorenale indeks (US) blev manuelt beregnet (HRIM) af 4 dygtige operatører. En automatisk hepatorenal indeksberegning (HRIA) blev også opnået ved hjælp af en algoritme. Nøjagtigheden af ​​HRIA til at skelne mellem forskellige grader af fedtlever blev evalueret ved ROC-analyse ved hjælp af MRI-PDFF cut-offs.