الهدف تهدف هذه الدراسة إلى دمج أنواع متعددة من البيانات السريرية التي يسهل الحصول عليها مع صور الموجات فوق الصوتية التقليدية ثنائية الأبعاد لبناء نموذج شبكة عصبونية عميقة لتقييم درجات مختلفة من شدة مرض الكبد الدهني (SLD). الطريقة تم جمع بيانات سريرية وصور موجات فوق صوتية لـ 649 مريضًا خضعوا لفحص تصوير التقليل بالموجات فوق الصوتية (ATI) بشكل رجعي، واستخدام ATI كمعيار مرجعي، وتم تقسيم المرضى إلى أربع مجموعات: طبيعي (S0)، وخفيف (S1)، ومتوسط (S2)، وشديد (S3) للكبد الدهني، ثم تم تقسيمهم عشوائياً بنسبة 8:2 إلى مجموعة تدريب ومجموعة تحقق. تم استخدام نموذج CLIP المدرب مسبقًا لاستخراج الميزات المتعددة الوسائط من البيانات السريرية والصور، وتم تدريب نماذج الغابات العشوائية (RF) والطبقات متعددة المستشعرات (MLP) بشكل منفصل. تم مقارنة الأداء التشخيصي للنموذج متعدد الوسائط مع نموذج وحيد النمط في مجموعة التحقق. النتائج مقارنة بنموذج RF، أظهر نموذج MLP أداءً أفضل [AUC (95% فاصل ثقة): S0=0.96 (0.93–0.99)، S1=0.99 (0.96–1.00)، S2=0.75 (0.64–0.82)، S3=0.88 (0.81–0.93)]. مقارنة بالنماذج أحادية النمط [بيانات سريرية فقط AUC (95% فاصل ثقة): 0.89 (0.81–0.95)، 0.69 (0.52–0.79)، 0.64 (0.43–0.67)، 0.80 (0.73–0.90)؛ بيانات الصور فقط AUC (95% فاصل ثقة): 0.91 (0.86–0.96)، 0.89 (0.67–0.89)، 0.69 (0.58–0.78)، 0.86 (0.82–0.94)]، أظهر نموذج دمج بيانات الصور والسريرية أداءً متفوقًا بشكل كبير عبر جميع الدرجات. أكدت دقة التحديد، ومعدل الاسترجاع، ونقاط F1 و F2، ومصفوفة الالتباس، ومنحنيات خسارة التعلم أن دمج البيانات متعددة الوسائط يعزز بشكل كبير أداء التدريب والتنبؤ الشامل. الخلاصة النموذج متعدد الوسائط المستند إلى CLIP والطبقات متعددة المستشعرات الذي تم بناؤه في هذه الدراسة يمكنه تصنيف درجات شدة الكبد الدهني تلقائيًا بشكل فعال، وأكدت الدراسة الميزات المتميزة لدمج البيانات السريرية وبيانات الموجات فوق الصوتية في التصنيف الدقيق للكبد الدهني، موفرة أداة مساعدة دقيقة وموثوقة لإدارة مرض الكبد الدهني المزمن سريريًا.

الكبد الدهني;صور الموجات فوق الصوتية;البيانات السريرية;التعلم العميق;تصوير التقليل