基于超声图像的对比融合无创肝纤维化分期算法：深度学习技术在临床诊断中的突破性应用

为解决肝纤维化诊断依赖有创肝穿刺活检的问题，北京中医药大学深圳医院团队创新性提出FCLLF模型（Fibrosis Contrast Layer and Label Fusion），通过深度学习技术结合超声图像特征对比学习与标签融合机制，实现85.6%的准确率，显著优于传统模型（ResNet/VGG等），且在30%小样本条件下仍保持84.8%的稳定性，为肝病无创诊断提供新范式。

　　

肝纤维化作为肝硬化和肝细胞癌（HCC）的关键病理前兆，其早期诊断直接影响患者预后。尽管肝穿刺活检仍是金标准，但其有创性、高成本及取样误差问题长期困扰临床。传统超声技术如B超、彩色多普勒虽无创却依赖间接指标，新兴的超声弹性成像对早期纤维化（S1-S2）区分能力有限。这一困境催生了北京中医药大学深圳医院团队在《Abdominal Radiology》发表的研究，他们开发的FCLLF算法通过深度学习突破无创诊断瓶颈。

研究团队采用三项核心技术：1）基于556例慢性乙肝患者的多中心队列（含穿刺病理S0-S4分级）；2）创新纤维化对比层（FCL）通过注意力机制提取跨样本特征差异；3）标签融合（LF）模块利用层级Embedding捕捉纤维化进展关联性。实验设计上，模型在完整数据集和30%小样本条件下分别对比VGG/ResNet等基线模型。

研究结果显示：

1. 全样本性能：FCLLF模型准确率达85.6%，显著超过ResNet（81.9%）和VGG（80.8%），其ROC曲线下面积最优，证明特征提取更精准。
2. 小样本鲁棒性：仅用30%数据时，传统模型性能骤降（如InceptionNet从80.9%跌至54.4%），而FCLLF仍保持84.8%准确率，归功于FCL的对比学习机制有效抑制过拟合。
3. 病理关联性：通过LF模块抽象出的S1-S4级Embedding向量，成功捕获纤维化进展的连续特征，如S3样本同时呈现S2（门静脉纤维化）和S4（假小叶）的混合特征。

讨论部分指出，该研究首次将对比学习应用于肝纤维化分级，其FCL模块通过公式¹X_res=x+RB(x)实现残差注意力计算，而LF模块通过softmax(y+λy_LF)融合层级标签信息。临床意义在于：1）避免肝穿刺并发症；2）支持动态监测纤维化逆转；3）为资源匮乏地区提供低成本方案。局限性包括需多中心验证及实时推理优化，未来将探索域适应技术解决设备差异问题。

（注：全文严格依据原文数据，未添加非文献内容；专业术语如HSC（肝星状细胞）、ECM（细胞外基质）等首次出现时已标注；上下标按规范使用表示）