Piattaforma per lo sviluppo di tecnologie ed algoritmi innovativi in ecografica clinica sperimentale e funzionale. Gestione dati di bio-monitoraggio.

Introduction: Metabolic dysfunction-associated steatotic liver disease (MASLD), formerly known as NAFLD, is characterized by excessive fat accumulation in the liver, closely linked to metabolic disorders such as obesity, type 2 diabetes, and dyslipidemia. Early and accurate diagnosis of MASLD is crucial to prevent progression to more severe liver diseases and cardiovascular complications. Objectives of the Thesis: This thesis aims to develop a new artificial intelligence (AI)-based algorithm for the automatic measurement of the hepatorenal index (HRI) using ultrasonography, and to evaluate its diagnostic accuracy in detecting hepatic steatosis, using magnetic resonance proton density fat fraction (MR-PDFF) as the reference method. Methodology: A total of 134 adult subjects underwent abdominal ultrasonography and MR-PDFF, the latter serving as the reference standard for liver fat quantification. The AI algorithm was trained on a dataset of ultrasound images to automatically segment the liver and kidney and calculate the HRI. The automatically obtained HRI (HRIA) was compared with the manually calculated HRI (HRIM) and MR-PDFF results. Results: The HRIA showed a stronger correlation with liver fat percentage measured by MR-PDFF than HRIM (R=0.79 vs R=0.69). Additionally, the HRIA demonstrated higher diagnostic accuracy in distinguishing between subjects with and without hepatic steatosis, exhibiting a superior area under the curve (AUC) compared to HRIM. Conclusions: The findings of this thesis indicate that the developed AI algorithm significantly enhances the diagnostic accuracy of HRI in identifying hepatic steatosis. The use of AI-supported ultrasonography, validated against MR-PDFF as the reference method, represents a promising non-invasive strategy for the early diagnosis of MASLD, with potential implications for improving clinical management and reducing disease burden.

Introduzione: La malattia epatica steatosica associata a disfunzione metabolica (MASLD), precedentemente nota come NAFLD, rappresenta una condizione caratterizzata dall’accumulo eccessivo di grasso nel fegato, strettamente legata a disturbi metabolici quali obesità, diabete di tipo 2 e dislipidemia. La diagnosi precoce e accurata della MASLD è fondamentale per prevenire la progressione verso malattie epatiche più gravi e complicanze cardiovascolari. Obiettivi della Tesi: Questa tesi si propone di sviluppare un nuovo algoritmo basato sull’intelligenza artificiale (IA) per la misurazione automatica dell’indice epato-renale (HRI) tramite ecografia, e di valutare la sua accuratezza diagnostica nella rilevazione della steatosi epatica, utilizzando la risonanza magnetica con proton density fat fraction (MR-PDFF) come metodica di riferimento. Metodologia: Sono stati analizzati 134 soggetti adulti sottoposti a ecografia addominale e MR-PDFF, quest’ultima utilizzata come standard di riferimento per la quantificazione del grasso epatico. L’algoritmo IA è stato addestrato su un dataset di immagini ecografiche per segmentare automaticamente fegato e rene e calcolare l’HRI. L’HRI ottenuto automaticamente (HRIA) è stato confrontato con l’HRI calcolato manualmente (HRIM) e con i risultati della MR-PDFF. Risultati: L’HRIA ha mostrato una correlazione più forte con la percentuale di grasso epatico misurata tramite MR-PDFF rispetto all’HRIM (R=0,79 vs R=0,69). Inoltre, l’HRIA ha dimostrato una maggiore accuratezza diagnostica nella distinzione tra soggetti con e senza steatosi epatica, evidenziando un’area sotto la curva (AUC) superiore rispetto all’HRIM. Conclusioni: I risultati di questa tesi dimostrano che l’algoritmo IA sviluppato migliora significativamente l’accuratezza diagnostica dell’HRI nell’identificazione della steatosi epatica. L’utilizzo dell’ecografia supportata da IA, validata attraverso MR-PDFF come metodica di riferimento, rappresenta una promettente strategia non invasiva per la diagnosi precoce della MASLD, con potenziali implicazioni per il miglioramento della gestione clinica e la riduzione del carico di malattia.