Cell reports. Medicine · 2022
An imaging-based artificial intelligence model for non-invasive grading of hepatic venous pressure gradient in cirrhotic portal hypertension.
СтатьяПоддержка исследования: вне правительства СШАНазвание и аннотация: Перевод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Yu Qian, Huang Yifei, Li Xiaoguo, Pavlides Michael, Liu Dengxiang, Luo Hongwu, Ding Huiguo, An Weimin, Liu Fuquan, Zuo Changzeng, Lu Chunqiang, Tang Tianyu, Wang Yuancheng, Huang Shan, Liu Chuan, Zheng Tianlei, Kang Ning, Liu Changchun, Wang Jitao, Akçalar Seray, Çelebioğlu Emrecan, Üstüner Evren, Bilgiç Sadık, Fang Qu, Fu Chi-Cheng, Zhang Ruiping, Wang Chengyan, Wei Jingwei, Tian Jie, Örmeci Necati, Ellik Zeynep, Asiller Özgün Ömer, Ju Shenghong, Qi Xiaolong
Аннотация
The hepatic venous pressure gradient (HVPG) is the gold standard for cirrhotic portal hypertension (PHT), but it is invasive and specialized. Alternative non-invasive techniques are needed to assess the hepatic venous pressure gradient (HVPG). Here, we develop an auto-machine-learning CT radiomics HVPG quantitative model (aHVPG), and then we validate the model in internal and external test datasets by the area under the receiver operating characteristic curves (AUCs) for HVPG stages (≥10, ≥12, ≥16, and ≥20 mm Hg) and compare the model with imaging- and serum-based tools. The final aHVPG model achieves AUCs over 0.80 and outperforms other non-invasive tools for assessing HVPG. The model shows performance improvement in identifying the severity of PHT, which may help non-invasive HVPG primary prophylaxis when transjugular HVPG measurements are not available.