Skip to main content
main-content

17.12.2018 | Ultrasound | Ausgabe 5/2019

European Radiology 5/2019

Quantitative ultrasound and machine learning for assessment of steatohepatitis in a rat model

Zeitschrift:
European Radiology > Ausgabe 5/2019
Autoren:
An Tang, François Destrempes, Siavash Kazemirad, Julian Garcia-Duitama, Bich N. Nguyen, Guy Cloutier
Wichtige Hinweise

Electronic supplementary material

The online version of this article (https://​doi.​org/​10.​1007/​s00330-018-5915-z) contains supplementary material, which is available to authorized users.

Abstract

Objectives

To develop a machine learning model based on quantitative ultrasound (QUS) parameters to improve classification of steatohepatitis with shear wave elastography in rats by using histopathology scoring as the reference standard.

Methods

This study received approval from the institutional animal care committee. Sixty male Sprague-Dawley rats were either fed a standard chow or a methionine- and choline-deficient diet. Ultrasound-based radiofrequency images were recorded in vivo to generate QUS and elastography maps. Random forests classification models and a bootstrap method were used to identify the QUS parameters that improved the classification accuracy of elastography. Receiver-operating characteristic analyses were performed.

Results

For classification of not steatohepatitis vs borderline or steatohepatitis, the area under the receiver-operating characteristic curve (AUC) increased from 0.63 for elastography alone to 0.72 for a model that combined elastography and QUS techniques (p < 0.001). For detection of liver steatosis grades 0 vs ≥ 1, ≤ 1 vs ≥ 2, ≤ 2 vs 3, respectively, the AUCs increased from 0.70, 0.65, and 0.69 to 0.78, 0.78, and 0.75 (p < 0.001). For detection of liver inflammation grades 0 vs ≥ 1, ≤ 1 vs ≥ 2, ≤ 2 vs 3, respectively, the AUCs increased from 0.58, 0.77, and 0.78 to 0.66, 0.84, and 0.87 (p < 0.001). For staging of liver fibrosis grades 0 vs ≥ 1, ≤ 1 vs ≥ 2, and ≤ 2 vs ≥ 3, respectively, the AUCs increased from 0.79, 0.92, and 0.91 to 0.85, 0.98, and 0.97 (p < 0.001).

Conclusion

QUS parameters improved the classification accuracy of steatohepatitis, liver steatosis, inflammation, and fibrosis compared to shear wave elastography alone.

Key Points

• Quantitative ultrasound and shear wave elastography improved classification accuracy of liver steatohepatitis and its histological features (liver steatosis, inflammation, and fibrosis) compared to elastography alone.
• A machine learning approach based on random forest models and incorporating local attenuation and homodyned-K tissue modeling shows promise for classification of nonalcoholic steatohepatitis.
• Further research should be performed to demonstrate the applicability of this multi-parametric QUS approach in a human cohort and to validate the combinations of parameters providing the highest classification accuracy.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

★ PREMIUM-INHALT
e.Med Interdisziplinär

Mit e.Med Interdisziplinär erhalten Sie Zugang zu allen CME-Fortbildungen und Fachzeitschriften auf SpringerMedizin.de. Zusätzlich können Sie eine Zeitschrift Ihrer Wahl in gedruckter Form beziehen – ohne Aufpreis.

Weitere Produktempfehlungen anzeigen
Zusatzmaterial
ESM 1 (DOCX 44 kb)
330_2018_5915_MOESM1_ESM.docx
Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 5/2019

European Radiology 5/2019 Zur Ausgabe
  1. Sie können e.Med Radiologie 14 Tage kostenlos testen (keine Print-Zeitschrift enthalten). Der Test läuft automatisch und formlos aus. Es kann nur einmal getestet werden.

Neu im Fachgebiet Radiologie

Meistgelesene Bücher aus der Radiologie

2016 | Buch

Medizinische Fremdkörper in der Bildgebung

Thorax, Abdomen, Gefäße und Kinder

Dieses einzigartige Buch enthält ca. 1.600 hochwertige radiologische Abbildungen und Fotos iatrogen eingebrachter Fremdmaterialien im Röntgenbild und CT.

Herausgeber:
Dr. med. Daniela Kildal

2011 | Buch

Atlas Klinische Neuroradiologie des Gehirns

Radiologie lebt von Bildern! Der vorliegende Atlas trägt dieser Tatsache Rechnung. Sie finden zu jedem Krankheitsbild des Gehirns Referenzbilder zum Abgleichen mit eigenen Befunden.

Autoren:
Priv.-Doz. Dr. med. Jennifer Linn, Prof. Dr. med. Martin Wiesmann, Prof. Dr. med. Hartmut Brückmann

Mail Icon II Newsletter

Bestellen Sie unseren kostenlosen Newsletter Update Radiologie und bleiben Sie gut informiert – ganz bequem per eMail.

Bildnachweise