非酒精性脂肪肝病(NAFLD)是慢性肝病最常见的病因，如果能够准确预测，可以防止其发展为严重肝纤维化和肝硬化。虽然肝活检是诊断NAFLD的金标准，但其具有侵入性、成本高昂且易出现采样误差。无创研究极具前景，但由于缺乏全面的研究数据和成熟的多模态数据方法，目前仍处于起步阶段。来自中国科学院自动化研究所、山东大学、北京中医药大学和上海交通大学的研究者们联合提出了一种通过整合综合性临床数据集与基于多模态学习的预测方法来诊断NAFLD的新策略。该数据集包含了大量参与者(总计超过6000名)的体格检查、实验室与影像学研究、详细问卷以及面部照片。这种全面的数据收集对于临床研究具有重要价值。本文研究者对数据集进行了定量分析，以确定哪些临床元数据(如元数据和面部图像)对NAFLD的预测影响最大。此外，文章提出了一种基于多模态学习的预测方法(DeepFLD)，它整合了多种模态的数据，并展现出优于仅依赖元数据方法的性能。同时，通过使用其他未见过的数据对结果进行验证，评估了其令人满意的性能。令人欣喜的是，本文所提出的DeepFLD预测方法仅利用面部图像作为输入（而不依赖元数据）即可获得有竞争力的结果，这为开发更稳健、更简便的无创NAFLD诊断铺平了道路。http://t.cn/AXLXk5Cj #机器学习[超话]##人工智能[超话]##脂肪肝##多模态#