声像图纹理分析和人工神经网络在肝纤维化分期诊断中的初步应用

目的探讨声像图纹理分析和多层人工神经网络(artificial neural network,ANN)在超声对肝纤维化分期诊断中的可行性。方法采集186例有肝组织穿刺病理肝纤维化分期(S0~S4)结果的慢性乙型肝炎患者的标准化声像图,提取声像图纹理的灰度共生矩阵参数。随机将145例患者的声像图纹理参数作为输入层神经元,病理分期作为输出层神经元,初步建立超声对肝纤维化分期的多层NN模型,其余41例用于验证ANN模型。同时,利用186例患者的声像图纹理参数建立判别分析(discriminant analysis,DA)模型并采用"留一法"检验该模型。比较两种诊断模型的效率。结果 DA模型和ANN模型对S0~S4分期诊断的准确率分别为70.0%和100.0%、62.2%和85.7%、51.6%和57.1%、77.8%和66.7%、77.4%和100.0%,对肝纤维化诊断的敏感度、特异度、准确度、尤登指数分别为98.4%和100.0%、70.0%和100.0%、89.2%和100.0%、0.684和1.000。结论作为一种无创的新方法,声像图纹理分析结合多层ANN模型在超声对肝纤维化分期诊断中表现出较高准确性,值得进一步深入探讨。