Automated classification of liver fibrosis stages using ultrasound imaging

BMC Medical Imaging

Table 3 Diagnostic performance of DCNNs for five-level classification

Model	Staging	AUC	Accuracy	Sensitivity	Specificity	PLR	NLR
VGGnet	F0	0.96	0.91	0.89	0.92	11.44	0.12
	F1	0.96	0.94	0.72	0.98	31.35	0.29
	F2	0.98	0.96	0.86	0.98	41	0.14
	F3	0.94	0.93	0.74	0.97	21.2	0.27
	F4	0.96	0.92	0.87	0.94	15.05	0.13
Resnet	F0	0.96	0.93	0.9	0.94	15.24	0.11
	F1	0.96	0.96	0.79	0.99	53	0.21
	F2	0.97	0.96	0.84	0.98	44.32	0.16
	F3	0.93	0.94	0.75	0.97	22.15	0.26
	F4	0.97	0.92	0.89	0.94	13.68	0.12
DenseNet	F0	0.95	0.91	0.89	0.93	12.19	0.12
	F1	0.96	0.96	0.81	0.98	47.35	0.2
	F2	0.95	0.95	0.82	0.97	28.21	0.19
	F3	0.94	0.93	0.75	0.96	20.92	0.26
	F4	0.96	0.92	0.86	0.95	16.46	0.15
EfficientNet	F0	0.96	0.93	0.89	0.95	18.58	0.11
	F1	0.96	0.95	0.79	0.98	39.75	0.21
	F2	0.97	0.96	0.87	0.98	34.92	0.13
	F3	0.94	0.94	0.81	0.96	18.48	0.2
	F4	0.96	0.93	0.86	0.95	17.83	0.15
ViT	F0	0.97	0.92	0.91	0.93	13.07	0.09
	F1	0.94	0.95	0.77	0.99	51.6	0.23
	F2	0.96	0.95	0.82	0.97	26.58	0.18
	F3	0.94	0.93	0.76	0.96	20.11	0.25
	F4	0.96	0.93	0.86	0.96	19.52	0.15

ISSN: 1471-2342