Objetivo Este estudio tiene como objetivo integrar múltiples datos clínicos fácilmente accesibles con imágenes ecográficas bidimensionales convencionales para construir un modelo de red neuronal profunda para evaluar diferentes grados de severidad de la enfermedad del hígado graso (SLD). Métodos Se recopilaron de forma retrospectiva datos clínicos e imágenes ecográficas de 649 pacientes que se sometieron a un examen de imagen de atenuación por ultrasonido (ATI), utilizando ATI como estándar de referencia. Se dividieron en cuatro grupos: normal (S0), leve (S1), moderado (S2) y grave (S3) enfermedad del hígado graso, y se dividieron aleatoriamente en conjuntos de entrenamiento y validación en proporción 8:2. Se utilizó el modelo preentrenado CLIP para extraer características multimodales clínicas y de imagen, y se entrenaron por separado modelos de bosque aleatorio (RF) y perceptrón multicapa (MLP). En el conjunto de validación se comparó el rendimiento diagnóstico del modelo multimodal con el modelo unimodal. Resultados En comparación con el modelo RF, el modelo MLP mostró un mejor desempeño [AUC (IC 95%): 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)]. En comparación con los modelos unimodales [solo datos clínicos AUC (IC 95%): 0.89 (0.81–0.95), 0.69 (0.52–0.79), 0.64 (0.43–0.67), 0.80 (0.73–0.90); solo datos de imagen AUC (IC 95%): 0.91 (0.86–0.96), 0.89 (0.67–0.89), 0.69 (0.58–0.78), 0.86 (0.82–0.94)], el modelo de fusión de datos de imagen y clínicos mostró un desempeño significativamente mejor en todas las etapas. La precisión, el recall, las puntuaciones F1 y F2, la matriz de confusión y las curvas de función de pérdida confirmaron además que la fusión de datos multimodales mejora significativamente el rendimiento general del entrenamiento y la predicción. Conclusión El modelo de clasificación multimodal MLP basado en CLIP desarrollado en este estudio puede realizar una clasificación automática efectiva del grado de severidad de la enfermedad del hígado graso, confirmando las ventajas significativas de fusionar datos clínicos y ecográficos para una clasificación precisa de la enfermedad del hígado graso, proporcionando una herramienta auxiliar precisa y confiable para la gestión clínica de la enfermedad hepática grasa crónica.

hígado graso;imágenes ecográficas;datos clínicos;aprendizaje profundo;imagen de atenuación