基于超声动态视频的三维卷积神经网络模型诊断肝纤维化

摘要

目的 探讨基于超声动态视频的三维卷积神经网络（3D-CNN）模型在肝纤维化无创诊断中的价值。方法 回顾性收集2023年12月13日至2025年9月23日在中山大学附属第七医院就诊的肝纤维化患者的超声视频及静态图像，将其按7∶1.5∶1.5随机划分为训练集、验证集和测试集。分别基于超声静、动态图像，采用二维卷积神经网络（2D-CNN）、2D-CNN+长短期记忆网络（LSTM）和3D-CNN构建肝纤维化分期诊断模型，并与剪切波弹性成像（SWE）、肝纤维化4项指数（FIB-4）、天冬氨酸氨基转移酶和血小板比率指数（APRI）等常用无创诊断指标比较。采用五折交叉验证法对训练集进行模型选择与参数调优，并在独立测试集上计算受试者操作特征曲线下面积（AUC）、准确率等指标的平均值，以评估模型的最终性能，并通过梯度加权类激活映射（Grad-CAM）进行模型可解释性与特征可视化分析。结果 共纳入110例患者，其中训练集77例、验证集16例、测试集17例。3D-CNN模型的AUC为0.847，高于2D-CNN+LSTM模型的0.761及2D-CNN模型的0.753。3D-CNN模型识别显著性肝纤维化的准确率为76.47%、精确率为78.03%、召回率为75.69%、F1分数为75.71%，在召回率与精确率之间实现了更佳平衡，F1分数均优于其他模型与常用无创诊断指标。3D-CNN模型的训练过程收敛性良好，具备较高的训练稳定性与泛化能力。GradCAM显示3D-CNN高度集中关注肝包膜区域，与临床诊断关注区域高度重合。结论 基于3D动态视频的深度学习模型在肝纤维化诊断中综合效能优于2D静态图像相关模型及SWE、FIB-4、APRI等常用无创诊断指标，具备较好的临床辅助诊断潜力。

关键词

肝纤维化 / 超声检查 / 深度学习 / 三维卷积神经网络 / 动态视频