TW202030741A - 肝纖維化評估模型、肝纖維化評估系統及肝纖維化評估方法 - Google Patents

肝纖維化評估模型、肝纖維化評估系統及肝纖維化評估方法 Download PDF

Info

Publication number
TW202030741A
TW202030741A TW108104304A TW108104304A TW202030741A TW 202030741 A TW202030741 A TW 202030741A TW 108104304 A TW108104304 A TW 108104304A TW 108104304 A TW108104304 A TW 108104304A TW 202030741 A TW202030741 A TW 202030741A
Authority
TW
Taiwan
Prior art keywords
liver fibrosis
data
blood test
index
test value
Prior art date
Application number
TW108104304A
Other languages
English (en)
Other versions
TWI685854B (zh
Inventor
黃宗祺
廖英凱
彭成元
Original Assignee
中國醫藥大學附設醫院
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 中國醫藥大學附設醫院 filed Critical 中國醫藥大學附設醫院
Priority to TW108104304A priority Critical patent/TWI685854B/zh
Priority to US16/701,506 priority patent/US20200251214A1/en
Application granted granted Critical
Publication of TWI685854B publication Critical patent/TWI685854B/zh
Publication of TW202030741A publication Critical patent/TW202030741A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/487—Physical analysis of biological material of liquid biological material
    • G01N33/49—Blood
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/08—Hepato-biliairy disorders other than hepatitis
    • G01N2800/085—Liver diseases, e.g. portal hypertension, fibrosis, cirrhosis, bilirubin
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/52—Predicting or monitoring the response to treatment, e.g. for selection of therapy based on assay results in personalised medicine; Prognosis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/70—Mechanisms involved in disease identification
    • G01N2800/7052—Fibrosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Hematology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Food Science & Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Urology & Nephrology (AREA)
  • Biochemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Ecology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本發明提供一肝纖維化評估系統，包含一非暫態機器可讀媒體。非暫態機器可讀媒體包含一儲存單元及一處理單元。儲存單元用以儲存受試者之一目標血液檢查數值資料及一肝纖維化評估程式。當肝纖維化評估程式由處理單元執行時用以評估受試者是否罹患肝纖維化以及預測受試者的肝纖維化發生程度。藉此，本發明之肝纖維化評估系統可避免習知侵入性的肝纖維化檢測，並可大幅提升肝纖維化檢測的準確度。

Description

肝纖維化評估模型、肝纖維化評估系統及肝纖維化評估方法
本發明是有關於一種醫療資訊分析模型、系統以及方法，特別是一種肝纖維化評估模型、肝纖維化評估系統及肝纖維化評估方法。
慢性B型肝炎和慢性C肝炎是一種世界性的疾病，同時也是引發肝硬化(cirrhosis)和肝癌(hepatocellular carcinoma)的主要原因，而肝纖維化(liver fibrosis)的程度則與肝硬化的發展息息相關。詳細而言，肝臟發炎之後並受到破壞將會發生肝纖維化，而肝纖維化的最終結果將會出現肝硬化症狀，且肝硬化患者將有機會演變為肝癌，因此，若能準確並及時地對患者的肝纖維化程度進行評估，防止其進入肝硬化的階段，對於肝癌的預防將有莫大的助益。
肝纖維化測量的診斷黃金標準為活體組織檢查，其係以肝臟穿刺切片(liver biopsy)的方式取得肝臟組織樣本。然而，肝臟穿刺切片為一種侵入性的檢查，並有千 分之一的機會將造成出血、感染、氣胸、死亡等併發症，使患者接受檢查的意願偏低。
而隨著影像科技技術的進展，非侵入性的影像檢查方法亦開始應用於診斷肝纖維化的發生。非侵入性的肝纖維化影像檢查方法包含傳統的超音波(Conventional ultrasound)檢查、肝纖維化掃描(Transient elastography，TE)檢查、超音波型肝硬度檢查(Ultrasound-based elastography)以及聲波輻射力脈衝成像(Acoustic Radiation Force Impulse，ARFI)檢查，近年來更出現利用磁振造影彈性圖像儀(Magnetic Resonance Elastography，MRE)觀察肝臟受磁場與震動波處理而形成的圖像，以透過剪波震幅分布而計算肝纖維化發生程度。然而，前述之影像檢查方法不僅較為耗時，檢查步驟較為繁複，其檢查的費用亦較為昂貴，使其臨床應用較不普及。
因此，何發展出一種快速、低成本且具有高度檢測準確率之肝纖維化檢查方式，實為一具有臨床應用價值之技術課題。
本發明的目的是在於提供一種肝纖維化評估模型、肝纖維化評估系統及肝纖維化評估方法，其透過自動化之判定模組而可基於常規血液檢查數值資料的揭露內容下提供高準確率之肝纖維化評估結果，並可免去習知侵入性肝 纖維化檢測所造成之後遺症，以及大幅降低習知肝纖維化檢測的成本。
本發明之一態樣是在於提供一種肝纖維化評估模型，其包含以下建立步驟。取得一參照資料庫，其中參照資料庫包含複數個參照血液檢查數值資料。進行一血液檢查數值資料前處理步驟，其係以前述之參照血液檢查數值資料的一系統平均值取代各參照血液檢查數值資料的一缺失值。進行一血液檢查數值資料標準化步驟，其係對前述之參照血液檢查數值資料進行一標準化處理，以得複數個標準化參照血液檢查數值資料。進行一分類步驟，其係將前述之標準化參照血液檢查數值資料以一Gradient Boosting演算模組進行訓練而達到收斂，以得前述之肝纖維化評估模型，且肝纖維化評估模型係用以評估一受試者是否罹患一肝纖維化以及預測受試者的一肝纖維化發生程度。
依據前述之肝纖維化評估模型，其中各參照血液檢查數值資料可包含一參照受試者生理年齡資料、一參照天冬氨酸氨基轉移酶指數(Aspartate aminotransferase，AST)，一參照丙胺酸轉胺酶指數(Alanine aminotransferase，ALT)以及一參照血小板計數資料。
依據前述之肝纖維化評估模型，其中前述之血液檢查數值資料前處理步驟可分別計算參照血液檢查數值資料之參照受試者生理年齡資料的一系統平均值、參照天冬氨酸氨基轉移酶指數的一系統平均值、參照丙胺酸轉胺酶指數的一系統平均值以及參照血小板計數資料的一系統平均 值，並以前述之參照受試者生理年齡資料的系統平均值取代各參照受試者生理年齡資料的一缺失值，以前述之參照天冬氨酸氨基轉移酶指數的系統平均值取代各參照天冬氨酸氨基轉移酶指數的一缺失值，以前述之參照丙胺酸轉胺酶指數的系統平均值取代各參照丙胺酸轉胺酶指數的一缺失值，以及以前述之參照血小板計數資料的系統平均值取代各參照血小板計數資料的一缺失值。
依據前述之肝纖維化評估模型，其中前述之肝纖維化發生程度可為輕度肝纖維化、中度肝纖維化、重度肝纖維化及嚴重肝纖維化。
本發明之另一態樣是在於提供一種肝纖維化評估系統，用以評估一受試者是否罹患一肝纖維化以及預測受試者的一肝纖維化發生程度，且肝纖維化評估系統包含一非暫態機器可讀媒體。非暫態機器可讀媒體包含一儲存單元及一處理單元，其中儲存單元用以儲存一受試者之一目標血液檢查數值資料及一肝纖維化評估程式，且處理單元用以執行前述之肝纖維化評估程式。其中，前述之肝纖維化評估程式包含一參照資料庫儲存模組、一血液檢查數值資料處理模組、一肝纖維化評估模型建立模組以及一比對模組。參照資料庫儲存模組係用以儲存一參照資料庫，其中前述之參照資料庫包含複數個參照血液檢查數值資料。血液檢查數值資料處理模組係以前述之參照血液檢查數值資料的一系統平均值取代各參照血液檢查數值資料的一缺失值，並將前述之參照血液檢查數值資料進行一標準化處理，以得複數個標準化 參照血液檢查數值資料，以及以前述之參照血液檢查數值資料的系統平均值取代前述之目標血液檢查數值資料的一缺失值，並將前述之目標血液檢查數值資料進行一標準化處理，以得一標準化目標血液檢查數值資料。肝纖維化評估模型建立模組係用以將前述之標準化參照血液檢查數值資料以一Gradient Boosting演算模組進行訓練而達到收斂，以得一肝纖維化評估模型。比對模組係用以將前述之標準化目標血液檢查數值資料以前述之肝纖維化評估模型進行分析，以得一肝纖維化特徵值權重數據，並依據前述之肝纖維化特徵值權重數據分析受試者是否罹患肝纖維化以及獲得受試者的肝纖維化發生程度。
依據前述之肝纖維化評估系統，其中各參照血液檢查數值資料可包含一參照受試者生理年齡資料、一參照天冬氨酸氨基轉移酶指數、一參照丙胺酸轉胺酶指數以及一參照血小板計數資料，目標血液檢查數值資料可包含一目標受試者生理年齡資料、一目標天冬氨酸氨基轉移酶指數、一目標丙胺酸轉胺酶指數以及一目標血小板計數資料。
依據前述之肝纖維化評估系統，其中前述之血液檢查數值資料處理模組可用以計算前述之參照血液檢查數值資料之參照受試者生理年齡資料的一系統平均值、參照天冬氨酸氨基轉移酶指數的一系統平均值、參照丙胺酸轉胺酶指數的一系統平均值以及參照血小板計數資料的一系統平均值，並以前述之參照受試者生理年齡資料的系統平均值取代各參照受試者生理年齡資料的一缺失值，以前述之參照 天冬氨酸氨基轉移酶指數的系統平均值取代各參照天冬氨酸氨基轉移酶指數的一缺失值，以前述之參照丙胺酸轉胺酶指數的系統平均值取代各參照丙胺酸轉胺酶指數的一缺失值，以及以前述之參照血小板計數資料的系統平均值取代各參照血小板計數資料的一缺失值。
依據前述之肝纖維化評估系統，其中前述之血液檢查數值資料處理模組可用以將前述之參照受試者生理年齡資料的系統平均值取代目標受試者生理年齡資料的一缺失值，以前述之參照天冬氨酸氨基轉移酶指數的系統平均值取代目標天冬氨酸氨基轉移酶指數的一缺失值，以前述之參照丙胺酸轉胺酶指數的系統平均值取代目標丙胺酸轉胺酶指數的一缺失值，以及以前述之參照血小板計數資料的系統平均值取代目標血小板計數資料的一缺失值。
依據前述之肝纖維化評估系統，其中前述之肝纖維化發生程度可為輕度肝纖維化、中度肝纖維化、重度肝纖維化及嚴重肝纖維化。
本發明之又一態樣是在於提供一種肝纖維化評估方法，包含下述步驟。提供一如前段所述之肝纖維化評估模型。提供一受試者之一目標血液檢查數值資料。對目標血液檢查數值資料進行血液檢查數值資料前處理，其係以前述之參照血液檢查數值資料的系統平均值取代目標血液檢查數值資料的一缺失值。對目標血液檢查數值資料進行標準化，以得一標準化目標血液檢查數值資料。利用前述之肝纖維化評估模型分析前述之標準化目標血液檢查數值資料，以 評估受試者是否罹患肝纖維化以及預測受試者的肝纖維化發生程度。
依據前述之肝纖維化評估方法，其中前述之目標血液檢查數值資料可包含一目標受試者生理年齡資料、一目標天冬氨酸氨基轉移酶指數、一目標丙胺酸轉胺酶指數以及一目標血小板計數資料，各參照血液檢查數值資料可包含一參照受試者生理年齡資料、一參照天冬氨酸氨基轉移酶指數、一參照丙胺酸轉胺酶指數以及一參照血小板計數資料。
依據前述之肝纖維化評估方法，其中前述之肝纖維化發生程度可為輕度肝纖維化、中度肝纖維化、重度肝纖維化及嚴重肝纖維化。
藉此，本發明之肝纖維化評估模型、肝纖維化評估系統及肝纖維化評估方法透過前處理與標準化的方式對參照血液檢查數值資料以及目標血液檢查數值資料進行處理後，再以Gradient Boosting演算模組進行訓練，以根據常規的血液檢查數值資料而自動化評估受試者是否罹患肝纖維化以及預測其肝纖維化發生程度，如此一來將可避免習知侵入性肝纖維化檢測的檢測風險以及大幅增加肝纖維化檢測的效率。
100‧‧‧肝纖維化評估模型的建立步驟
110‧‧‧取得一參照資料庫
120‧‧‧進行一血液檢查數值資料前處理步驟
130‧‧‧進行一血液檢查數值資料標準化步驟
140‧‧‧進行一分類步驟
200‧‧‧肝纖維化評估系統
210‧‧‧非暫態機器可讀媒體
220‧‧‧儲存單元
221‧‧‧目標血液檢查數值資料
230‧‧‧處理單元
240‧‧‧肝纖維化評估程式
241‧‧‧參照資料庫儲存模組
242‧‧‧血液檢查數值資料處理模組
243‧‧‧肝纖維化評估模型建立模組
244‧‧‧比對模組
300‧‧‧肝纖維化評估方法
310‧‧‧提供肝纖維化評估模型
320‧‧‧提供一受試者之一目標血液檢查數值資料
330‧‧‧對目標血液檢查數值資料進行血液檢查數值資料前處理
340‧‧‧對目標血液檢查數值資料進行標準化
350‧‧‧利用肝纖維化評估模型分析標準化目標血液檢查數值資料
501‧‧‧未發生肝硬化的真陰性區塊
502‧‧‧發生肝硬化的真陽性區塊
503‧‧‧未發生肝硬化的偽陰性區塊
504‧‧‧發生肝硬化的偽陽性區塊
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：第1圖係繪示本發明一實施方式之肝纖維化評估模型的 建立步驟流程圖；第2圖係繪示本發明另一實施方式之肝纖維化評估系統的架構示意圖；第3圖係繪示本發明又一實施方式之肝纖維化評估方法的步驟流程圖；第4圖係繪示本發明之肝纖維化評估模型之一接收者操作特徵曲線(receiver operating characteristic curve，ROC)圖；以及第5圖係繪示本發明之肝纖維化評估模型用於評估受試者的肝纖維化發生程度的一混淆矩陣圖。
下述將更詳細討論本發明各實施方式。然而，此實施方式可為各種發明概念的應用，可被具體實行在各種不同的特定範圍內。特定的實施方式是僅以說明為目的，且不受限於揭露的範圍。
請參照第1圖，其係繪示本發明一實施方式之肝纖維化評估模型的建立步驟100流程圖。肝纖維化評估模型的建立步驟100包含步驟110、步驟120、步驟130以及步驟140。
步驟110為取得一參照資料庫，其中參照資料庫包含複數個參照血液檢查數值資料。詳細而言，參照血液檢查數值資料係抽取受試者的血液進行分析所獲得之間接性血清檢查標記資料，而本發明之肝纖維化評估模型則係利 用間接性血清檢查標記資料來進行分析，如此一來將可有效避免侵入性肝纖維化檢測所造成之後遺症，並可直接利用參照血液檢查數值資料的揭露內容而直接評估受試者發生之肝纖維化狀態。較佳地，前述之參照血液檢查數值資料可包含一參照受試者生理年齡資料、一參照天冬氨酸氨基轉移酶指數(Aspartate aminotransferase，AST)，一參照丙胺酸轉胺酶指數(Alanine aminotransferase，ALT)以及一參照血小板計數資料，其中前述之參照受試者生理年齡資料、參照天冬氨酸氨基轉移酶指數、參照丙胺酸轉胺酶指數以及參照血小板計數資料合稱為肝纖維化指標(Fibrosis 4 score，FIB-4)，而參照天冬氨酸氨基轉移酶指數與血小板計數資料的比值則為血小板比率指數(Aspartate aminotransferase to platelet ratio index，APRI)。
肝纖維化指標為現行肝纖維化之血液檢查的判斷依據，而血小板比率指數則是用以預測慢性B型肝炎及慢性C型肝炎病患的肝纖維化或肝硬化程度。當一受試者的肝纖維化指標大於3.25時，即可準確地評估該受試者為晚期肝纖維化的患者，其準確率高達97%，且肝纖維化指標用以評估HIV/HCV合併感染的患者之陽性預測值亦可高達65%以上。
步驟120為進行一血液檢查數值資料前處理步驟，其係以前述之參照血液檢查數值資料的一系統平均值取代各參照血液檢查數值資料的一缺失值。詳細而言，為了避免各參照血液檢查數值資料的空值，例如檢測資料的缺失等 而使肝纖維化評估模型發生誤判，以及提高肝纖維化評估模型的評估準確度，各參照血液檢查數值資料的缺失值將以前述之參照血液檢查數值資料的系統平均值進行取代，以有效降低資料重複的發生機率。
較佳地，血液檢查數值資料前處理步驟可分別計算前述之參照血液檢查數值資料之參照受試者生理年齡資料的一系統平均值、參照天冬氨酸氨基轉移酶指數的一系統平均值、參照丙胺酸轉胺酶指數的一系統平均值以及參照血小板計數資料的一系統平均值，並以前述之參照受試者生理年齡資料的系統平均值取代各參照受試者生理年齡資料的一缺失值，以前述之參照天冬氨酸氨基轉移酶指數的系統平均值取代各參照天冬氨酸氨基轉移酶指數的一缺失值，以前述之參照丙胺酸轉胺酶指數的系統平均值取代各參照丙胺酸轉胺酶指數的一缺失值，以及以前述之參照血小板計數資料的系統平均值取代各參照血小板計數資料的一缺失值。藉此，可提升本發明之肝纖維化評估模型的肝纖維化評估準確率。
步驟130為進行一血液檢查數值資料標準化步驟，其係對前述之參照血液檢查數值資料進行一標準化處理，以得複數個標準化參照血液檢查數值資料。詳細而言，由於各參照血液檢查數值資料中的參照受試者生理年齡資料、參照天冬氨酸氨基轉移酶指數、參照丙胺酸轉胺酶指數以及參照血小板計數資料的單位值並不相同，而為了使本發明之肝纖維化評估模型在各參照血液檢查數值資料中可具 有相同的權重標準，血液檢查數值資料標準化步驟將分別對前述之參照血液檢查數值資料中的參照受試者生理年齡資料、參照天冬氨酸氨基轉移酶指數、參照丙胺酸轉胺酶指數以及參照血小板計數資料進行數據的正規化處理，藉以提升本發明之肝纖維化評估模型的肝纖維化評估準確度及輔助後續Gradient Boosting演算模組的訓練收斂效果。
步驟140為進行一分類步驟，其係將前述之標準化參照血液檢查數值資料以一Gradient Boosting演算模組進行訓練而達到收斂，以得肝纖維化評估模型，且肝纖維化評估模型係用以評估一受試者是否罹患一肝纖維化以及預測受試者的一肝纖維化發生程度。藉此，可避免本發明之肝纖維化評估模型對標準化參照血液檢查數值資料進行分析的預測差值過高或過低。
較佳地，前述之肝纖維化發生程度可為輕度肝纖維化、中度肝纖維化、重度肝纖維化及嚴重肝纖維化。詳細而言，Metavir評分系統為現行臨床上用於評估患者之肝纖維化的組織病理學評估方法，其分為F0至F5等五個等級，其中等級F0代表患者並未發生肝纖維化症狀，等級F1代表患者於其肝門靜脈部分發生沒有隔膜組織(septa)的纖維化情形，屬於輕度肝纖維化，等級F2代表患者的肝門靜脈已完全纖維化，但纖維化區域的間隔組織很少，屬於中度肝纖維化，等級F3代表患者的肝纖維化現象已遍布整個肝臟，並出現許多隔膜組織，但尚未發展成為肝硬化，屬於重度肝纖維化，而等級F4則代表患者的肝纖維化現象已發展 為嚴重肝纖維化，並可判定其為肝硬化之患者。藉此，本發明之肝纖維化評估模型透過Gradient Boosting演算模組對參照血液檢查數值資料進行訓練，使其所預測之肝纖維化發生程度可符合組織病理學之肝纖維化評估方法的肝纖維化分級結果，使本發明之肝纖維化評估模型具有絕佳的評估準確率。
請參照第2圖，其係繪示本發明另一實施方式之肝纖維化評估系統200的架構示意圖。肝纖維化評估系統200用以評估一受試者是否罹患一肝纖維化以及預測受試者的一肝纖維化發生程度，且肝纖維化評估系統200包含一非暫態機器可讀媒體210。非暫態機器可讀媒體210包含一儲存單元220及一處理單元230，其中儲存單元220用以儲存受試者之一目標血液檢查數值資料221及一肝纖維化評估程式240，且處理單元230用以執行肝纖維化評估程式240。肝纖維化評估程式240包含一參照資料庫儲存模組241、一血液檢查數值資料處理模組242、一肝纖維化評估模型建立模組243以及一比對模組244。較佳地，目標血液檢查數值資料211可包含一目標受試者生理年齡資料、一目標天冬氨酸氨基轉移酶指數、一目標丙胺酸轉胺酶指數以及一目標血小板計數資料。
參照資料庫儲存模組241係用以儲存一參照資料庫，其中參照資料庫包含複數個參照血液檢查數值資料。較佳地，各參照血液檢查數值資料包含一參照受試者生理年齡資料、一參照天冬氨酸氨基轉移酶指數、一參照丙胺酸轉 胺酶指數以及一參照血小板計數資料，以利於肝纖維化評估程式240對受試者之肝纖維化發生情形進行更精準的評估，並可直接利用參照血液檢查數值資料的揭露內容直接評估受試者發生之肝纖維化狀態。
血液檢查數值資料處理模組242係以前述之參照血液檢查數值資料的一系統平均值取代各參照血液檢查數值資料的一缺失值，並將前述之參照血液檢查數值資料進行一標準化處理，以得複數個標準化參照血液檢查數值資料，以及以前述之參照血液檢查數值資料的系統平均值取代目標血液檢查數值資料221的一缺失值，並將目標血液檢查數值資料221進行一標準化處理，以得一標準化目標血液檢查數值資料。
較佳地，血液檢查數值資料處理模組242可用以計算前述之參照血液檢查數值資料之參照受試者生理年齡資料的一系統平均值、參照天冬氨酸氨基轉移酶指數的一系統平均值、參照丙胺酸轉胺酶指數的一系統平均值以及參照血小板計數資料的一系統平均值，並以前述之參照受試者生理年齡資料的系統平均值取代各參照受試者生理年齡資料的一缺失值，以前述之參照天冬氨酸氨基轉移酶指數的系統平均值取代各參照天冬氨酸氨基轉移酶指數的一缺失值，以前述之參照丙胺酸轉胺酶指數的系統平均值取代各參照丙胺酸轉胺酶指數的一缺失值，以及以前述之參照血小板計數資料的系統平均值取代各參照血小板計數資料的一缺 失值。藉此，可提升本發明之肝纖維化評估系統200的肝纖維化評估準確率。
較佳地，血液檢查數值資料處理模組242可用以將前述之參照受試者生理年齡資料的系統平均值取代目標受試者生理年齡資料的一缺失值，以前述之參照天冬氨酸氨基轉移酶指數的系統平均值取代目標天冬氨酸氨基轉移酶指數的一缺失值，以前述之參照丙胺酸轉胺酶指數的系統平均值取代目標丙胺酸轉胺酶指數的一缺失值，以及以前述之參照血小板計數資料的系統平均值取代目標血小板計數資料的一缺失值。
肝纖維化評估模型建立模組243係用以將前述之標準化參照血液檢查數值資料以一Gradient Boosting演算模組進行訓練而達到收斂，以得一肝纖維化評估模型。
比對模組244係用以將標準化目標血液檢查數值資料以肝纖維化評估模型進行分析，以得一肝纖維化特徵值權重數據，並依據前述之肝纖維化特徵值權重數據分析受試者是否罹患肝纖維化以及獲得受試者的肝纖維化發生程度。
請參照第3圖，其係繪示本發明又一實施方式之肝纖維化評估方法300的步驟流程圖。肝纖維化評估方法300包含步驟310、步驟320、步驟330、步驟340以及步驟350。
步驟310為提供肝纖維化評估模型，而肝纖維化評估模型係經由前述步驟110至步驟140所建立。
步驟320為提供一受試者之一目標血液檢查數值資料。較佳地，前述之目標血液檢查數值資料可包含一目標受試者生理年齡資料、一目標天冬氨酸氨基轉移酶指數、一目標丙胺酸轉胺酶指數以及一目標血小板計數資料。
步驟330為對目標血液檢查數值資料進行血液檢查數值資料前處理，其係以前述步驟120所述之參照血液檢查數值資料的系統平均值取代前述之目標血液檢查數值資料的一缺失值。較佳地，各參照血液檢查數值資料可包含一參照受試者生理年齡資料、一參照天冬氨酸氨基轉移酶指數、一參照丙胺酸轉胺酶指數以及一參照血小板計數資料，以分別對目標血液檢查數值資料中的目標受試者生理年齡資料、目標天冬氨酸氨基轉移酶指數、目標丙胺酸轉胺酶指數以及目標血小板計數資料進行更精確的處理。
步驟340為對目標血液檢查數值資料進行標準化，以得一標準化目標血液檢查數值資料。
步驟350為利用肝纖維化評估模型分析標準化目標血液檢查數值資料，以評估受試者是否罹肝纖維化以及預測受試者的肝纖維化發生程度。較佳地，而肝纖維化發生程度可為輕度肝纖維化、中度肝纖維化、重度肝纖維化及嚴重肝纖維化。
根據上述實施方式，以下提出具體試驗例並配合圖式予以詳細說明。
<試驗例>
一、參照資料庫
本發明所使用的參照資料庫為中國醫學大學暨附設醫院所蒐集的回溯性之受檢者的臨床血液檢查數值資料，為經中國醫藥大學暨附設醫院研究倫理委員會(China Medical University & Hospital Research Ethics Committee)核准之臨床試驗計劃，其編號為：CMUH 107-REC1-129。
前述之參照資料庫共包含2354筆去連結化之受檢者的參照血液檢查數值資料，其中參照血液檢查數值資料包含受試者生理年齡資料、天冬氨酸氨基轉移酶指數、丙胺酸轉胺酶指數以及血小板計數資料，以符合現行肝纖維化之血液檢查的判斷標準。
二、本發明之肝纖維化評估模型
本發明之肝纖維化評估模型在取得參照資料庫後，將分別計算參照資料庫的參照血液檢查數值資料之參照受試者生理年齡資料的一系統平均值、參照天冬氨酸氨基轉移酶指數的一系統平均值、參照丙胺酸轉胺酶指數的一系統平均值以及參照血小板計數資料的一系統平均值，並以參照受試者生理年齡資料的系統平均值取代各參照受試者生理年齡資料的一缺失值，以參照天冬氨酸氨基轉移酶指數的系統平均值取代各參照天冬氨酸氨基轉移酶指數的一缺失值，以參照丙胺酸轉胺酶指數的系統平均值取代各參照丙胺 酸轉胺酶指數的一缺失值，以及以血小板計數資料的系統平均值取代各參照血小板計數資料的一缺失值。
接著，經過前述步驟之參照血液檢查數值資料的參照受試者生理年齡資料、參照天冬氨酸氨基轉移酶指數、參照丙胺酸轉胺酶指數以及參照血小板計數資料將分別進行數據正規化處理，以對參照資料庫中所有參照血液檢查數值資料的單位值進行標準化，以得包含標準化參照受試者生理年齡資料、標準化參照天冬氨酸氨基轉移酶指數、標準化參照丙胺酸轉胺酶指數與標準化參照血小板計數資料的標準化參照血液檢查數值資料，藉以提升肝纖維化評估準確度。
接著，前述之標準化參照血液檢查數值資料將以一Gradient Boosting演算模組進行訓練而達到收斂，以得本發明之肝纖維化評估模型。詳細而言，Gradient Boosting演算模組係以Gradient Descent演算法與Boosting演算法分別對前述之標準化參照血液檢查數值資料進行分析。當標準化參照血液檢查數值資料先以Gradient Boosting演算模組或Boosting演算法中的其中之一者進行訓練並達到收斂後，為了進一步避免本發明之肝纖維化評估模型對標準化參照血液檢查數值資料進行分析的預測差值過高或過低，Gradient Boosting演算模組將會再次以Gradient Boosting演算模組或Boosting演算法中的另一者對前次的訓練結果進行再次訓練，以進一步確保損失函數(Loss Function)可達穩定收斂。
三、本發明之肝纖維化評估模型用於評估受試者是否罹患肝纖維化及預測受試者的肝纖維化發生程度
於本試驗例中進一步將所建立的肝纖維化評估模型用於評估受試者是否罹患肝纖維化及預測受試者的肝纖維化發生程度。其步驟如下：提供一由前述步驟建立之肝纖維化評估模型。提供一受試者之一目標血液檢查數值資料。對目標血液檢查數值資料進行血液檢查數值資料前處理，其係以前述之參照血液檢查數值資料的系統平均值取代目標血液檢查數值資料的一缺失值。對目標血液檢查數值資料進行標準化，以得一標準化目標血液檢查數值資料。利用前述之肝纖維化評估模型分析前述之標準化目標血液檢查數值資料，以評估受試者是否罹患肝纖維化以及預測受試者的肝纖維化發生程度。
接著，前述受試者是否罹患肝纖維化以及受試者的肝纖維化發生程度預測結果將進一步整合於參照資料庫中，以對本發明之肝纖維化評估模型進行優化，進而使本發明之肝纖維化評估模型的訓練效果及判斷準確度進一步提升。
請參照第4圖，其係繪示本發明之肝纖維化評估模型之一接收者操作特徵曲線(receiver operating characteristic curve，ROC)圖。如第4圖所示，當以本發明之肝纖維化評估模型評估受試者是否罹患肝纖維化時，其接收者操作特徵曲線之曲線下面積(Area Under the Receiver Operating Characteristic curve，AUROC)可高達88.4%。再者，根據現行臨床資料研究結果顯示，血清標記之肝纖維化指標用於評估慢性B型肝炎病患晚期的肝纖維化情形及是否惡化為肝硬化之敏感度的接受者操作特徵曲線下面積為81%，其準確度的接受者操作特徵曲線下面積則為84%，顯示本發明之肝纖維化評估模型、肝纖維化評估系統和肝纖維化評估方法可以精準地以受試者之目標血液檢查數值資料評估受試者是否罹患肝纖維化。
請參照第5圖，其係繪示本發明之肝纖維化評估模型用於評估受試者的肝纖維化發生程度的一混淆矩陣圖。當以本發明之肝纖維化評估模型用以預測受試者的肝纖維化發生程度時，其係以Metavir評分系統等級作為基準進行比對分析，其中等級F0-F3代表肝纖維化發生程度為未發生肝硬化，而等級F4則代表肝纖維化發生程度為嚴重肝纖維化，即受試者發生肝硬化現象。
如第5圖所示，預測標籤之未發生肝硬化的真陰性(True Negative，TN)區塊501中的受試者數量為1602人，預測標籤之發生肝硬化的真陽性(True Positive、TP)區塊502中的受試者數量為361人，預測標籤之未發生肝硬化的偽陰性(Flase Negative，FN)區塊503中的受試者數量為164人，而預測標籤之發生肝硬化的偽陽性(Flase Positive，FP)區塊504中的受試者數量則為227人。請再同時參照第5圖與表一，表一為本發明之肝纖維化評估模型用於預測受試者的肝纖維化發生程度之預測結果。
Figure 108104304-A0101-12-0019-10
Figure 108104304-A0101-12-0020-2
由上述結果所示，本發明之肝纖維化評估模型用於評估受試者的肝纖維化發生程度的正確度、靈敏度及特異度均優，顯示本發明之肝纖維化評估模型、肝纖維化評估系統和肝纖維化評估方法可以精準地以受試者之目標血液檢查數值資料評估受試者的肝纖維化發生程度。
藉由上述內容可知，本發明之肝纖維化評估模型、肝纖維化評估系統及肝纖維化評估方法透過前處理與標準化的方式對參照血液檢查數值資料以及目標血液檢查數值資料進行處理後，再以Gradient Boosting演算模組進行訓練，以根據常規的血液檢查數值資料而自動化評估受試者是否罹患肝纖維化以及預測其肝纖維化發生程度，並可避免習知侵入性肝纖維化檢測的檢測風險以及大幅增加肝纖維化檢測的效率。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100‧‧‧肝纖維化評估模型的建立步驟
110‧‧‧取得一參照資料庫
120‧‧‧進行一血液檢查數值資料前處理步驟
130‧‧‧進行一血液檢查數值資料標準化步驟
140‧‧‧進行一分類步驟

Claims (12)

  1. 一種肝纖維化評估模型，包含以下建立步驟：取得一參照資料庫，其中該參照資料庫包含複數個參照血液檢查數值資料；進行一血液檢查數值資料前處理步驟，其係以該些參照血液檢查數值資料的一系統平均值取代各該參照血液檢查數值資料的一缺失值；進行一血液檢查數值資料標準化步驟，其係對該些參照血液檢查數值資料進行一標準化處理，以得複數個標準化參照血液檢查數值資料；以及進行一分類步驟，其係將該些標準化參照血液檢查數值資料以一Gradient Boosting演算模組進行訓練而達到收斂，以得該肝纖維化評估模型，且該肝纖維化評估模型係用以評估一受試者是否罹患一肝纖維化以及預測該受試者的一肝纖維化發生程度。
  2. 如申請專利範圍第1項所述之肝纖維化評估模型，其中各該參照血液檢查數值資料包含一參照受試者生理年齡資料、一參照天冬氨酸氨基轉移酶指數(Aspartate aminotransferase，AST)，一參照丙胺酸轉胺酶指數(Alanine aminotransferase，ALT)以及一參照血小板計數資料。
  3. 如申請專利範圍第2項所述之肝纖維化評估模型，其中該血液檢查數值資料前處理步驟係分別計算該些參照血液檢查數值資料之該些參照受試者生理年齡資料的一系統平均值、該些參照天冬氨酸氨基轉移酶指數的一系統平均值、該些參照丙胺酸轉胺酶指數的一系統平均值以及該些參照血小板計數資料的一系統平均值，並以該些參照受試者生理年齡資料的該系統平均值取代各該參照受試者生理年齡資料的一缺失值，以該些參照天冬氨酸氨基轉移酶指數的該系統平均值取代各該參照天冬氨酸氨基轉移酶指數的一缺失值，以該些參照丙胺酸轉胺酶指數的該系統平均值取代各該參照丙胺酸轉胺酶指數的一缺失值，以及以該些參照血小板計數資料的該系統平均值取代各該參照血小板計數資料的一缺失值。
  4. 如申請專利範圍第1項所述之肝纖維化評估模型，其中該肝纖維化發生程度為輕度肝纖維化、中度肝纖維化、重度肝纖維化及嚴重肝纖維化。
  5. 一種肝纖維化評估系統，用以評估一受試者是否罹患一肝纖維化以及預測該受試者的一肝纖維化發生程度，該肝纖維化評估系統包含： 一非暫態機器可讀媒體，包含一儲存單元及一處理單元，其中該儲存單元用以儲存一受試者之一目標血液檢查數值資料及一肝纖維化評估程式，且該處理單元用以執行該肝纖維化評估程式；其中，該肝纖維化評估程式包含：一參照資料庫儲存模組，其係用以儲存一參照資料庫，其中該參照資料庫包含複數個參照血液檢查數值資料；一血液檢查數值資料處理模組，其係以該些參照血液檢查數值資料的一系統平均值取代各該參照血液檢查數值資料的一缺失值，並將該些參照血液檢查數值資料進行一標準化處理，以得複數個標準化參照血液檢查數值資料，以及以該些參照血液檢查數值資料的該系統平均值取代該目標血液檢查數值資料的一缺失值，並將該目標血液檢查數值資料進行一標準化處理，以得一標準化目標血液檢查數值資料；一肝纖維化評估模型建立模組，其係用以將該些標準化參照血液檢查數值資料以一Gradient Boosting演算模組進行訓練而達到收斂，以得一肝纖維化評估模型；以及一比對模組，其係用以將該標準化目標血液檢查數值資料以該肝纖維化評估模型進行分析，以得一肝 纖維化特徵值權重數據，並依據該肝纖維化特徵值權重數據分析該受試者是否罹患肝纖維化以及獲得該受試者的該肝纖維化發生程度。
  6. 如申請專利範圍第5項所述之肝纖維化評估系統，其中各該參照血液檢查數值資料包含一參照受試者生理年齡資料、一參照天冬氨酸氨基轉移酶指數、一參照丙胺酸轉胺酶指數以及一參照血小板計數資料，該目標血液檢查數值資料包含一目標受試者生理年齡資料、一目標天冬氨酸氨基轉移酶指數、一目標丙胺酸轉胺酶指數以及一目標血小板計數資料。
  7. 如申請專利範圍第6項所述之肝纖維化評估系統，其中該血液檢查數值資料處理模組係用以計算該些參照血液檢查數值資料之該些參照受試者生理年齡資料的一系統平均值、該些參照天冬氨酸氨基轉移酶指數的一系統平均值、該些參照丙胺酸轉胺酶指數的一系統平均值以及該些參照血小板計數資料的一系統平均值，並以該些參照受試者生理年齡資料的該系統平均值取代各該參照受試者生理年齡資料的一缺失值，以該些參照天冬氨酸氨基轉移酶指數的該系統平均值取代各該參照天冬氨酸氨基轉移酶指數的一缺失值，以該些參照丙胺酸轉胺酶指數的該系 統平均值取代各該參照丙胺酸轉胺酶指數的一缺失值，以及以該些參照血小板計數資料的該系統平均值取代各該參照血小板計數資料的一缺失值。
  8. 如申請專利範圍第7項所述之肝纖維化評估系統，其中該血液檢查數值資料處理模組係用以將該些參照受試者生理年齡資料的該系統平均值取代該目標受試者生理年齡資料的一缺失值，以該些參照天冬氨酸氨基轉移酶指數的該系統平均值取代該目標天冬氨酸氨基轉移酶指數的一缺失值，以該些參照丙胺酸轉胺酶指數的該系統平均值取代該目標丙胺酸轉胺酶指數的一缺失值，以及以該些參照血小板計數資料的該系統平均值取代該目標血小板計數資料的一缺失值。
  9. 如申請專利範圍第5項所述之肝纖維化評估系統，其中該肝纖維化發生程度為輕度肝纖維化、中度肝纖維化、重度肝纖維化及嚴重肝纖維化。
  10. 一種肝纖維化評估方法，包含：提供一如申請專利範圍第1項之肝纖維化評估模型；提供一受試者之一目標血液檢查數值資料； 對該目標血液檢查數值資料進行血液檢查數值資料前處理，其係以該些參照血液檢查數值資料的該系統平均值取代該目標血液檢查數值資料的一缺失值；對該目標血液檢查數值資料進行標準化，以得一標準化目標血液檢查數值資料；以及利用該肝纖維化評估模型分析該標準化目標血液檢查數值資料，以評估該受試者是否罹患該肝纖維化以及預測該受試者的該肝纖維化發生程度。
  11. 如申請專利範圍第10項所述之肝纖維化評估方法，其中該目標血液檢查數值資料包含一目標受試者生理年齡資料、一目標天冬氨酸氨基轉移酶指數、一目標丙胺酸轉胺酶指數以及一目標血小板計數資料，各該參照血液檢查數值資料包含一參照受試者生理年齡資料、一參照天冬氨酸氨基轉移酶指數、一參照丙胺酸轉胺酶指數以及一參照血小板計數資料。
  12. 如申請專利範圍第10項所述之肝纖維化評估方法，其中該肝纖維化發生程度為輕度肝纖維化、中度肝纖維化、重度肝纖維化及嚴重肝纖維化。
TW108104304A 2019-02-01 2019-02-01 肝纖維化評估模型、肝纖維化評估系統及肝纖維化評估方法 TWI685854B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW108104304A TWI685854B (zh) 2019-02-01 2019-02-01 肝纖維化評估模型、肝纖維化評估系統及肝纖維化評估方法
US16/701,506 US20200251214A1 (en) 2019-02-01 2019-12-03 Liver Fibrosis Assessment Model, Liver Fibrosis Assessment System And Liver Fibrosis Assessment Method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108104304A TWI685854B (zh) 2019-02-01 2019-02-01 肝纖維化評估模型、肝纖維化評估系統及肝纖維化評估方法

Publications (2)

Publication Number Publication Date
TWI685854B TWI685854B (zh) 2020-02-21
TW202030741A true TW202030741A (zh) 2020-08-16

Family

ID=70413187

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108104304A TWI685854B (zh) 2019-02-01 2019-02-01 肝纖維化評估模型、肝纖維化評估系統及肝纖維化評估方法

Country Status (2)

Country Link
US (1) US20200251214A1 (zh)
TW (1) TWI685854B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862797B (zh) * 2021-02-23 2024-03-19 复旦大学附属华山医院 一种肝纤维化无损预测方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7191106B2 (en) * 2002-03-29 2007-03-13 Agilent Technologies, Inc. Method and system for predicting multi-variable outcomes
US7668347B2 (en) * 2006-04-07 2010-02-23 The Boeing Company Digital watermarking of picture identity documents using Eigenface vectors of Eigenface facial features of the document facial image as the watermark key
JP5612067B2 (ja) * 2009-03-19 2014-10-22 ユニバーシティ ダンガース 肝線維化進行を評価するための非侵襲的方法
JP5917397B2 (ja) * 2009-09-11 2016-05-11 ザ チャイニーズ ユニバーシティ オブ ホンコン 肝臓病変を評価する方法
WO2014075082A1 (en) * 2012-11-12 2014-05-15 Gregory Thomas Everson Disease severity index for assessment of chronic liver disease and method for diagnosis of three distinct subtypes of primary sclerosing cholangitis
CN109060977B (zh) * 2018-07-13 2024-07-02 深圳市绘云生物科技有限公司 用于肝纤维化和肝硬化诊断的生物标志物和试剂盒及使用方法

Also Published As

Publication number Publication date
US20200251214A1 (en) 2020-08-06
TWI685854B (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
Dong et al. The role of imaging in the detection and management of COVID-19: a review
Chen et al. Machine-learning-based classification of real-time tissue elastography for hepatic fibrosis in patients with chronic hepatitis B
Adebajo et al. Ultrasound‐based transient elastography for the detection of hepatic fibrosis in patients with recurrent hepatitis C virus after liver transplantation: a systematic review and meta‐analysis
Abd El Rihim et al. Role of fibroscan and APRI in detection of liver fibrosis: a systematic review and meta-analysis
Castera et al. Biopsy and non-invasive methods for the diagnosis of liver fibrosis: does it take two to tango?
Lee Non-invasive diagnosis of hepatitis B virus-related cirrhosis
Wildner et al. Impact of acoustic radiation force impulse imaging in clinical practice of patients after orthotopic liver transplantation
Wang et al. Quantitative analysis of pleural line and B-lines in lung ultrasound images for severity assessment of COVID-19 pneumonia
Cavallo et al. Texture analysis in the evaluation of Covid-19 pneumonia in chest X-ray images: a proof of concept study
Koh et al. Assessment of dyspneic patients in the emergency department using point-of-care lung and cardiac ultrasonography—a prospective observational study
Chen et al. A quantitative and radiomics approach to monitoring ARDS in COVID-19 patients based on chest CT: a retrospective cohort study
RU2583939C1 (ru) Способ лабораторной диагностики стадии фиброза печени при хроническом вирусном гепатите с
CN105705652A (zh) 协助鉴别诊断中风的方法
WO2019141215A1 (zh) 组织炎症活动度训练方法和装置
Perumal et al. Prediction of COVID criticality score with laboratory, clinical and CT images using hybrid regression models
CN110265139A (zh) 肝纤维化评估模型、肝纤维化评估系统及其评估方法
Xing et al. Automatic detection of A‐line in lung ultrasound images using deep learning and image processing
CN113948211B (zh) 胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型
TWI685854B (zh) 肝纖維化評估模型、肝纖維化評估系統及肝纖維化評估方法
CN115602319B (zh) 一种无创肝纤维化评估装置
JP2018512208A (ja) 肝臓の病変を定量化または決定するためのｍｒ（磁気共鳴）画像のコンピュータ化された光学的分析方法
Lignon et al. Screening for significant chronic liver disease by using three simple ultrasound parameters
Russell et al. Focused ultrasound in the emergency department for patients with acute heart failure
Baral et al. Redefining lobe-wise ground-glass opacity in COVID-19 through deep learning and its correlation with biochemical parameters
TWI768288B (zh) 腎臟功能評估方法、腎臟功能評估系統及腎臟照護裝置