Observationell och prospektiv studie av leversteatos och relaterade riskfaktorer med hjälp av ultraljud och artificiell intelligens (ST-AI)

Under de senaste åren har ultraljud tagit en dominerande roll i utvärderingen av leversteatos, eftersom det är en icke-invasiv, icke-bestrålande metod som är lätt reproducerbar och billig. Av särskild effektivitet är användningen av det hepatorenala indexet, utvärderat som intensitetsförhållandet (ekogenicitet) mellan det hepatiska parenkymet och det renala kortikala parenkymet. De huvudsakliga begränsningarna för att detektera lever-njurindex under abdominalt ultraljud är dock operatörsberoende och användningen av en relativt lång tidsperiod för att slutföra sekvensen av operationer och beräkningar som krävs för att bestämma själva indexet. Användningen av artificiell intelligens (AI)-tekniker för bildanalys inom det medicinska området ger utmärkta resultat. AI-baserade algoritmer är i allt högre grad ett kraftfullt verktyg som gör att läkaren kan förbättra sin prestation när det gäller snabbhet och noggrannhet i kliniska utvärderingar. Idag finns det redan bevis på effektiviteten av att använda AI på ultraljudsbilder för kliniska utvärderingar. Användningen av AI som ett hjälpmedel för att diagnostisera leversjukdomar genom ultraljud är fortfarande undersökt. Hypotesen som ska testas är användbarheten som AI kan ha i utvärderingen, dess allmänna och specifika användningsområden för att minska beräkningstider för det hepatorenala indexet.

I denna studie inkluderades 134 patienter utan någon klinisk misstanke om leversteatos. Alla patienter genomgick abdominal ultraljud (US) och magnetisk resonanstomografi fettfraktion (MRI-PDFF), antagen som referensteknik för att utvärdera graden av steatos. Det hepatorenala indexet (US) beräknades manuellt (HRIM) av 4 skickliga operatörer. En automatisk hepatorenal indexberäkning (HRIA) erhölls också med en algoritm. Noggrannheten hos HRIA för att särskilja olika grader av fettlever utvärderades genom ROC-analys med användning av MRI-PDFF-gränsvärden.