Enhanced Artificial Intelligence Methods for Liver Steatosis Assessment Using Machine Learning and Color Image Processing : Liver Color Project
Gómez Gavara, Concepción (Universitat Autònoma de Barcelona. Departament de Cirurgia)
Bilbao, Itxarone (Universitat Autònoma de Barcelona. Departament de Cirurgia)
Piella, Gemma (Universitat Pompeu Fabra)
Vázquez i Corral, Javier (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Benet-Cugat, Berta (Universitat Pompeu Fabra)
Pando, Elizabeth (Universitat Autònoma de Barcelona. Departament de Cirurgia)
Molino, José Andrés (Hospital Universitari Vall d'Hebron)
Salcedo, Maria-Teresa (Hospital Universitari Vall d'Hebron)
Dalmau, Mar (Hospital Universitari Vall d'Hebron. Institut de Recerca)
Vidal Piñeiro, Laura (Hospital Universitari Vall d'Hebron. Institut de Recerca)
Esono, Daniel (Universitat Pompeu Fabra)
Cordobés, Miguel Ángel (Universitat Pompeu Fabra)
Bilbao, Ángela (Universitat Autònoma de Barcelona)
Prats, Josa (Universitat Pompeu Fabra)
Moya, Mar (Universitat Pompeu Fabra)
Dopazo, Cristina (Universitat Autònoma de Barcelona. Departament de Cirurgia)
Mazo, Christopher (Hospital Universitari Vall d'Hebron)
Caralt, Mireia (Hospital Universitari Vall d'Hebron. Institut de Recerca)
Hidalgo i Llompart, Ernest (Hospital Universitari Vall d'Hebron. Institut de Recerca)
Charco, Ramon (Hospital Universitari Vall d'Hebron. Institut de Recerca)

Data:	2024
Resum:	Background: The use of livers with significant steatosis is associated with worse transplantation outcomes. Brain death donor liver acceptance is mostly based on subjective surgeon assessment of liver appearance, since steatotic livers acquire a yellowish tone. The aim of this study was to develop a rapid, robust, accurate, and cost-effective method to assess liver steatosis. Methods: From June 1, 2018, to November 30, 2023, photographs and tru-cut needle biopsies were taken from adult brain death donor livers at a single university hospital for the study. All the liver photographs were taken by smartphones then color calibrated, segmented, and divided into patches. Color and texture features were then extracted and used as input, and the machine learning method was applied. This is a collaborative project between Vall d'Hebron University Hospital and Barcelona MedTech, Pompeu Fabra University, and is referred to as LiverColor. Results: A total of 192 livers (362 photographs and 7240 patches) were included. When setting a macrosteatosis threshold of 30%, the best results were obtained using the random forest classifier, achieving an AUROC = 0. 74, with 85% accuracy. Conclusion: Machine learning coupled with liver texture and color analysis of photographs taken with smartphones provides excellent accuracy for determining liver steatosis.
Ajuts:	"la Caixa" Foundation CI21-00064
Nota:	Altres ajuts: acords transformatius de la UAB
Drets:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.
Llengua:	Anglès
Document:	Article ; recerca ; Versió publicada
Publicat a:	Clinical transplantation, Vol. 38, Núm. 10 (October 2024) , ISSN 1399-0012

DOI: 10.1111/ctr.15465

8 p, 865.3 KB

El registre apareix a les col·leccions:
Articles > Articles de recerca
Articles > Articles publicats