Zielsetzung Diese Studie zielt darauf ab, verschiedene leicht verfügbare klinische Daten mit zweidimensionalen konventionellen Ultraschallbildern zu integrieren, um ein tiefes neuronales Netzwerkmodell zur Bewertung unterschiedlicher Schweregrade der Fettlebererkrankung (SLD) zu entwickeln. Methoden Retrospektiv wurden klinische Daten und Ultraschallbilder von 649 Patienten gesammelt, die eine Ultraschall-Attenuierungsbildgebung (ATI) erhielten. Die Patienten wurden anhand von ATI als Referenzstandard in vier Gruppen eingeteilt: normal (S0), leicht (S1), mittel (S2) und schwer (S3) Fettleber, und zufällig im Verhältnis 8:2 in Trainings- und Validierungsgruppen aufgeteilt. Das vortrainierte CLIP-Modell wurde verwendet, um multimodale Merkmale aus klinischen und Bilddaten zu extrahieren. Random Forest (RF)-Modelle und Multilayer Perceptron (MLP)-Modelle wurden separat trainiert. Die diagnostische Leistung des multimodalen Modells wurde im Validierungsdatensatz mit der einzelmodalen Leistung verglichen. Ergebnisse Im Vergleich zum RF-Modell zeigte das MLP-Modell bessere Ergebnisse [AUC (95%-CI): 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)]. Im Vergleich zu unimodalen Modellen [nur klinische Daten AUC (95%-CI): 0.89 (0.81–0.95), 0.69 (0.52–0.79), 0.64 (0.43–0.67), 0.80 (0.73–0.90); nur Bilddaten AUC (95%-CI): 0.91 (0.86–0.96), 0.89 (0.67–0.89), 0.69 (0.58–0.78), 0.86 (0.82–0.94)] zeigte das Modell zur Integration von Bild- und klinischen Daten in allen Stufen signifikant bessere Leistung. Genauigkeit, Rückruf, F1- und F2-Werte, Konfusionsmatrix und Verlustfunktions-Lernkurven bestätigten weiter, dass multimodale Datenfusion die Gesamtleistung von Training und Vorhersage signifikant verbessert. Fazit Das in dieser Studie entwickelte multimodale CLIP-basierte MLP-Klassifikationsmodell kann die Schwere der Fettlebererkrankung effektiv automatisch einstufen und bestätigt den erheblichen Vorteil der Integration klinischer und Ultraschalldaten für eine präzise Klassifizierung der Fettleber, wodurch ein genaues und zuverlässiges Hilfsmittel für die klinische Behandlung der chronischen Fettlebererkrankung bereitgestellt wird.

Fettleber;Ultraschallbilder;klinische Daten;Tiefenlernen;Attenuierungsbildgebung