Observasjons- og prospektiv studie av hepatisk steatose og relaterte risikofaktorer ved bruk av ultralyd og kunstig intelligens (ST-AI)

De siste årene har ultralyd tatt på seg en dominerende rolle i evalueringen av leversteatose, da det er en ikke-invasiv, ikke-bestrålende metode som er lett reproduserbar og rimelig. Av spesiell effektivitet er bruken av den hepatorenale indeksen, evaluert som intensitetsforholdet (ekogenisitet) mellom leverparenkym og nyrekortikalt parenkym. De viktigste begrensningene for å oppdage lever-renal indeksen under abdominal ultralyd er imidlertid operatøravhengighet og bruken av et relativt langt tidsrom for å fullføre sekvensen av operasjoner og beregninger som kreves for å bestemme selve indeksen. Bruken av kunstig intelligens (AI)-teknikker for bildeanalyse i det medisinske feltet gir utmerkede resultater. AI-baserte algoritmer er i økende grad et kraftig verktøy som lar legen forbedre ytelsen når det gjelder hastighet og nøyaktighet av kliniske evalueringer. I dag er det allerede bevis på effektiviteten av å bruke AI på ultralydbilder for kliniske evalueringer. Bruken av kunstig intelligens som et hjelpemiddel for å diagnostisere leversykdommer gjennom ultralyd er fortsatt lite undersøkt. Hypotesen som skal testes er nytten som AI kan ha i evalueringen, dens generelle og spesifikke bruk for å redusere beregningstiden for hepatorenal indeksen.

I denne studien ble 134 pasienter inkludert uten klinisk mistanke om leversteatose. Alle pasienter gjennomgikk abdominal ultrasonografi (US) og magnetisk resonansavbildning fettfraksjon (MRI-PDFF), antatt som referanseteknikk for å evaluere graden av steatose. Den hepatorenale indeksen (US) ble beregnet manuelt (HRIM) av 4 dyktige operatører. En automatisk hepatorenal indeksberegning (HRIA) ble også oppnådd ved hjelp av en algoritme. Nøyaktigheten av HRIA for å skille mellom ulike grader av fettlever ble evaluert ved hjelp av ROC-analyse ved bruk av MRI-PDFF cut-offs.