基于高、低频超声的肝纤维化分期双重迁移学习模型研究
周明强1 刘彤2

1北京中医药大学深圳医院（龙岗），广东深圳，518000；

2深圳锐视生物科技有限公司，广东深圳，518000；

摘要：目的：探讨基于高、低频超声的双重迁移学习模型在肝纤维化分期诊断中的应用价值，为临床肝纤维化早期精准分期提供高效的计算机辅助诊断方案。方法：回顾性收集2019年1月至2025年6月收治的266例慢性乙型肝炎肝纤维化患者的高、低频超声图像资料，S0~S4各期样本数分别为16例、49例、85例、66例、50例。按8∶1∶1比例将预处理后的图像随机分为训练集、验证集、测试集。先采用Unet模型完成肝实质区域分割，数据增强，构建高频、低频超声单独特征提取模型，以ImageNet数据集进行第一重迁移学习，再将高低频模型参数迁移至融合模型实现第二重迁移学习，结合特征空间映射实现高低频特征融合。将融合模型与VGG、ResNet、GoogleNet、SVM等模型进行对比，评估模型性能。结果 双重迁移学习融合模型在测试集中整体诊断准确率达86.57%，S0~S4期AUC分别为0.97、1.00、0.95、0.93、0.94；其准确率、召回率、F1得分分别为86.57%、84.44%、86.50%，显著高于VGG（65.67%、70.42%、67.72%）、ResNet（80.60%、76.48%、79.90%）、SVM（68.66%、71.11%、69.97%）等模型。结论：基于高、低频超声的双重迁移学习模型可有效整合高低频超声的细节与全局特征，在肝纤维化小样本数据集中表现出优异的分期诊断性能，可为临床肝纤维化分期提供可靠的辅助诊断依据。

关键词：肝纤维化；高低频超声；迁移学习；卷积神经网络；计算机辅助诊断

参考文献

[1]尤红,王福生,李太生,等.慢性乙型肝炎防治指南（2022年版）[J].传染病信息,2023,36(01): 1-17.

[2]黄健,宫雪晴,曾颜,等.肝纤维化治疗药物的研究进展[J].临床肝胆病杂志,2025,41(10): 2141-2148.

[3]徐丽娜.高频超声与低频超声诊断慢性乙肝早期肝硬化的临床价值[J].中国医药科学, 2025,15(03):172-176.doi:10.20116/j.issn2095-0616.2025.03.41.

[4]王红英.腹部超声评估乙肝肝硬化患者肝纤维化程度的临床价值[J].影像研究与医学应用, 2025,9(18):145-147.doi:10.20267/j.issn.2096-3807.2025.18.046.

[5]李文杰,张巍,杨剑.人工智能技术在医疗辅助诊断领域的应用现状与趋势分析[J]. 中国医学物理学杂志,2025,42(12):1668-1674.

[6]潘婷.人工智能在医学影像技术领域的研究进展:中国医学装备大会暨2025医学装备展览会[C].中国重庆,2025.

[7]Liang  Zhongren. A survey on pre-training and transfer learning for multimodal Vision-Language Models[J]. Advances in Engineering Innovation, 2025,16(6): 135-139.

[8]郭悦承,陆伦根.肝纤维化临床诊断与治疗研究进展[J].实用肝脏病杂志,2022,25(03):305-308.

[9]杨兵社,罗婷, 张开元, 等. 医学超声伪像及其应对策略[J].中国医疗设备,2018,33(06):115-117.

[10]韩红, 陆清, 朱宇莉,等.2024年中国肝病超声临床研究年度进展[J].肿瘤影像学,2025,34(02):101-109.doi:10.19732/j.cnki.2096-6210.2025.02.001.

[11] Kelly B S, JUDGE C B S M, Clifford S M, et al. Radiology artificial intelligence: a systematic review and evaluation of methods (RAISE).[J]. European radiology, 2022,32(11):7998-8007.