Ключові слова
хронічні дифузні захворювання печінки
фіброз печінки
ультразвукова діагностика
ехографія
штучний інтелект
інтерпретованість
селективна класифікація
медичне сортування
Як цитувати
Анотація
Вступ. Стандартне двовимірне ультразвукове дослідження печінки у В-режимі є найбільш доступним методом первинної діагностики, проте його традиційна візуальна інтерпретація при хронічних дифузних захворюваннях у дітей обмежена суб’єктивністю та низькою чутливістю до ранніх стадій фіброзу. Еластографія зсувної хвилі потребує спеціалізованого обладнання і не завжди доступна на первинній ланці. Розробка інтерпретованих інструментів штучного інтелекту для об’єктивного комп’ютерного аналізу ехограм дозволяє здійснювати автоматизоване сортування (тріаж) пацієнтів та раціонально виділяти групи пріоритетного направлення на еластографію печінки.
Мета. Оцінити діагностичну ефективність та клінічну інтерпретованість розробленого комп’ютерного інструменту на основі штучного інтелекту для автоматизованого сортування дітей із хронічними дифузними захворюваннями печінки перед проведенням еластографічного дослідження.
Матеріали та методи. У ретроспективному одноцентровому дослідженні проаналізовано клінічний архів ехограм 105 дітей віком 5–18 років. Загальна вибірка охопила 661 область інтересу (337 двовимірних ультразвукових зображень у В-режимі), отриманих на ультразвукових системах експертного класу. Референтним стандартом слугували результати двовимірної еластографії зсувної хвилі (стратифікація на стадії F0 проти F1–F4 за верифікованими кПа-порогами). Математичну модель логістичної регресії навчали на основі локальних профілів яскравості сірої шкали (32 діапазони) з побудовою просторових карт локальної підтримки та розрахунком інтегрального бала пацієнта. Валідацію виконували за схемою 5-блокової перевірки з виключенням витоку даних. Додатково проведено аналіз селективної класифікації з виділенням зони невизначеного перегляду для сумнівних випадків.
Результати. У бінарній задачі диференціації норми (F0) та фібротичних змін (F1–F4) на рівні пацієнта модель продемонструвала площу під ROC-кривою (AUC) 0,91 [95% довірчий інтервал: 0,84–0,96], збалансовану точність 0,83 [0,76–0,90], чутливість 0,80 [0,68–0,91] та специфічність 0,86 [0,77–0,95] за стандартного операційного порогу 0,50. Застосування скринінгового порогу 0,32 дозволило підвищити чутливість виявлення змін до 0,91. Дослідницький аналіз селективної класифікації показав, що виділення категорії невизначеного перегляду дозволило перевести туди 15 із 17 (88%) помилок базової моделі. Після відсіву невизначених випадків збалансована точність на збереженій підмножині пацієнтів зросла до 0,90, а специфічність досягла 1,00 при чутливості 0,80.
Висновки. Розроблений інтелектуальний метод забезпечує високу точність сортування дітей для подальшої еластографічної стратифікації фіброзу. Просторові карти локальної підтримки роблять логіку моделі клінічно зрозумілою для лікаря, забезпечуючи візуальне пояснення розрахованого бала. Метод селективної класифікації ефективно виділяє сумнівні випадки у зону експертного перегляду, проте низьке покриття (31,4% пацієнтів поза невизначеною зоною) обмежує його застосування як автономного інструменту скринінгу.
Посилання
Younossi, Z. M., Golabi, P., Paik, J. M., Henry, A., Van Dongen, C., & Henry, L. (2023). The global epidemiology of nonalcoholic fatty liver disease (NAFLD) and nonalcoholic steatohepatitis (NASH): A systematic review. Hepatology, 77(4), 1335–1347. https://doi.org/10.1002/hep.32723
Hofstraat, S. H. I., Falla, A. M., Duffell, E. F., Hahné, S. J. M., Amato-Gauci, A. J., Veldhuijzen, I. K., & Tavoschi, L. (2017). Current prevalence of chronic hepatitis B and C virus infection in the general population, blood donors and pregnant women in the EU/EEA: A systematic review. Epidemiology and Infection, 145(14), 2873–2885. https://doi.org/10.1017/S0950268817001947
European Association for the Study of the Liver. (2021). EASL Clinical Practice Guidelines on non-invasive tests for evaluation of liver disease severity and prognosis. Journal of Hepatology, 75(3), 659–689. https://doi.org/10.1016/j.jhep.2021.05.025
Rockey, D. C., Caldwell, S. H., Goodman, Z. D., Nelson, R. C., & Smith, A. D. (2009). Liver biopsy. Hepatology, 49(3), 1017–1044. https://doi.org/10.1002/hep.22742
Singh, S., Venkatesh, S. K., Wang, Z., Miller, F. H., Motosugi, U., Low, R. N., Hassanein, T., Asbach, P., Godfrey, E. M., Yin, M., Chen, J., Keaveny, A. P., Bridges, M., Bohte, A., Murad, M. H., Lomas, D. J., Talwalkar, J. A., & Ehman, R. L. (2015). Diagnostic performance of magnetic resonance elastography in staging liver fibrosis: A systematic review and meta-analysis of individual participant data. Clinical Gastroenterology and Hepatology, 13(3), 440–451.e6. https://doi.org/10.1016/j.cgh.2014.09.046
Friedrich-Rust, M., Ong, M. F., Martens, S., Sarrazin, C., Bojunga, J., Zeuzem, S., & Herrmann, E. (2008). Performance of transient elastography for the staging of liver fibrosis: A meta-analysis. Gastroenterology, 134(4), 960–974. https://doi.org/10.1053/j.gastro.2008.01.034
Barr, R. G., Wilson, S. R., Rubens, D., Garcia-Tsao, G., & Ferraioli, G. (2020). Update to the Society of Radiologists in Ultrasound liver elastography consensus statement. Radiology, 296(2), 263–274. https://doi.org/10.1148/radiol.2020192437
Xiao, G., Zhu, S., Xiao, X., Yan, L., Yang, J., & Wu, G. (2017). Comparison of laboratory tests, ultrasound, or magnetic resonance elastography to detect fibrosis in patients with nonalcoholic fatty liver disease: A meta-analysis. Hepatology, 66(5), 1486–1501. https://doi.org/10.1002/hep.29302
Liu, Z., Huang, B., Wen, H., Lu, Z., Huang, Q., Jiang, M., Dong, C., Liu, Y., Chen, X., & Lin, H. (2023). Automatic diagnosis of significant liver fibrosis from ultrasound B-mode images using a handcrafted-feature-assisted deep convolutional neural network. IEEE Journal of Biomedical and Health Informatics, 27(10), 4938–4949. https://doi.org/10.1109/JBHI.2023.3295078
Lee, J. H., Joo, I., Kang, T. W., Paik, Y. H., Sinn, D. H., Ha, S. Y., Kim, K., Choi, C., Lee, G., Yi, J., & Bang, W. C. (2020). Deep learning with ultrasonography: Automated classification of liver fibrosis using a deep convolutional neural network. European Radiology, 30(2), 1264–1273. https://doi.org/10.1007/s00330-019-06407-1
Li, J., Qureshi, M., Gupta, A., Anderson, S. W., Soto, J., & Li, B. (2019). Quantification of degree of liver fibrosis using fibrosis area fraction based on statistical chi-square analysis of heterogeneity of liver tissue texture on routine ultrasound images. Academic Radiology, 26(8), 1001–1007. https://doi.org/10.1016/j.acra.2018.10.004
Wang, K., Lu, X., Zhou, H., Gao, Y., Zheng, J., Tong, M., Wu, C., Liu, C., Huang, L., Jiang, T., Meng, F., Lu, Y., Ai, H., Xie, X.-Y., Yin, L., Liang, P., Tian, J., & Zheng, R. (2019). Deep learning radiomics of shear wave elastography significantly improved diagnostic performance for assessing liver fibrosis in chronic hepatitis B: A prospective multicentre study. Gut, 68(4), 729–741. https://doi.org/10.1136/gutjnl-2018-316204
Bossuyt, P. M., Reitsma, J. B., Bruns, D. E., Gatsonis, C. A., Glasziou, P. P., Irwig, L., Lijmer, J. G., Moher, D., Rennie, D., de Vet, H. C. W., Kressel, H. Y., Rifai, N., Golub, R. M., Altman, D. G., Hooft, L., Korevaar, D. A., Cohen, J. F., & STARD Group. (2015). STARD 2015: An updated list of essential items for reporting diagnostic accuracy studies. BMJ, 351, h5527. https://doi.org/10.1136/bmj.h5527
Collins, G. S., Moons, K. G. M., Dhiman, P., Riley, R. D., Beam, A. L., Van Calster, B., Ghassemi, M., Liu, X., Reitsma, J. B., van Smeden, M., Boulesteix, A.-L., Camaradou, J. C., Celi, L. A., Denaxas, S., Denniston, A. K., Glocker, B., Golub, R. M., Harvey, H., Heinze, G., Hoffman, M. M., Kengne, A. P., Lam, E., Lee, N., Loder, E. W., Maier-Hein, L., Mateen, B. A., McCradden, M. D., Oakden-Rayner, L., Ordish, J., Parnell, R., Rose, S., Singh, K., Wynants, L., & Logullo, P. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ, 385, e078378. https://doi.org/10.1136/bmj-2023-078378
Babenko, V. O., Nastenko, Ye. A., Solodushchenko, V. V., Pavlov, V. A., & Dykan, I. M. (2024). Iierarkhichnyi alhorytm multyklasyfikatsii stadii fibrozu pechinky z intehrovanym analizom oblastei interesu. Biomedical Engineering and Technology, 14(2). https://doi.org/10.20535/2617-8974.2024.14.301108
Babenko, V. O., Solodushchenko, V. V., Dyba, M. B., Hloba, M. V., & Tarasiuk, B. A. (2026). Efektyvnist multyparametrychnoi ultrazvukovoi diahnostyky z prohramamy shtuchnoho intelektu pry dyfuznykh zakhvoriuvanniakh pechinky u ditei. Clinical and Preventive Medicine, 1(47), 104–112. https://doi.org/10.31612/2616-4868.1.2026.13
Tran, L. C., Ley, D., Bourdon, G., Coopman, S., Lerisson, H., Tillaux, C., Béhal, H., Gottrand, F., & Aumar, M. (2022). Noninvasive pediatric liver fibrosis measurement: Two-dimensional shear wave elastography compared with transient elastography. Frontiers in Pediatrics, 10, 849815. https://doi.org/10.3389/fped.2022.849815
Dyba, M. B., & Berezenko, V. S. (2023). Mozhlyvosti elastohrafii zsuvnoi khvyli v diahnostytsi fibrozu pechinky ta monitorynhu autoimunnykh zakhvoriuvan pechinky u ditei. Modern Pediatrics. Ukraine, 8(136), 34–41. https://doi.org/10.15574/SP.2023.136.34
Dietrich, C. F., Ferraioli, G., Sirli, R., Popescu, A., Sporea, I., Pienar, C., Kunze, C., Taut, H., Schrading, S., Bota, S., Schreiber-Dietrich, D., Fang, C., & Yi, D. (2019). General advice in ultrasound based elastography of pediatric patients. Medical Ultrasonography, 21(3), 315–326. https://doi.org/10.11152/mu-2063
Ferraioli, G., Barr, R. G., Berzigotti, A., Sporea, I., Wong, V. W.-S., Reiberger, T., Karlas, T., Thiele, M., Cardoso, A. C., Ayonrinde, O. T., Castera, L., Dietrich, C. F., Iijima, H., Lee, D. H., Kemp, W., Oliveira, C. P., & Sarin, S. K. (2024). WFUMB Guideline/Guidance on Liver Multiparametric Ultrasound: Part 1. Update to 2018 Guidelines on Liver Ultrasound Elastography. Ultrasound in Medicine & Biology, 50(8), 1071–1087. https://doi.org/10.1016/j.ultrasmedbio.2024.03.013
Nastenko, I., Maksymenko, V., Potashev, S., Pavlov, V., Babenko, V., Rysin, S., Matviichuk, O., & Lazoryshinets, V. (2021). Random Forest Algorithm Construction for the Diagnosis of Coronary Heart Disease Based on Echocardiography Video Data Streams. Innovative Biosystems and Bioengineering, 5(1), 61–69. https://doi.org/10.20535/ibb.2021.5.1.225794
Petrunina, O., Shevaga, D., Babenko, V., Pavlov, V., Rysin, S., & Nastenko, I. (2021). Comparative Analysis of Classification Algorithms in the Analysis of Medical Images From Speckle Tracking Echocardiography Video Data. Innovative Biosystems and Bioengineering, 5(3), 153–166. https://doi.org/10.20535/ibb.2021.5.3.234990
Zwanenburg, A., Vallières, M., Abdalah, M. A., Aerts, H. J. W. L., Andrearczyk, V., Apte, A., Ashrafinia, S., Bakas, S., Beukinga, R., Boellaard, R., Bogowicz, M., Boldrini, L., Buvat, I., Cook, G. J. R., Davatzikos, C., Depeursinge, A., Desseroit, M.-C., Dinapoli, N., Dinh, C. V., Echegaray, S., Lambin, P., Leijenaar, R. T. H., & van Griethuysen, J. (2020). The image biomarker standardization initiative: Standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology, 295(2), 328–338. https://doi.org/10.1148/radiol.2020191145
van Griethuysen, J. J. M., Fedorov, A., Parmar, C., Hosny, A., Aucoin, N., Narayan, V., Beets-Tan, R. G. H., Fillion-Robin, J.-C., Pieper, S., & Aerts, H. J. W. L. (2017). Computational radiomics system to decode the radiographic phenotype. Cancer Research, 77(21), e104–e107. https://doi.org/10.1158/0008-5472.CAN-17-0339
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.