Aprendizaje profundo basado en TC sin contraste para predecir la expansión de la hemorragia intracerebral que...

Área de la Ciencia:

• Neurología
• Radiología
• La inteligencia artificial en la medicina

Sus antecedentes:

• La hemorragia intracerebral (HIC) es un tipo de accidente cerebrovascular grave con una alta mortalidad y discapacidad.
• La expansión temprana del hematoma (HE) tiene un impacto significativo en el pronóstico del paciente con ICH.
• La expansión revisada del hematoma (rHE), incluido el crecimiento de la hemorragia intraventricular (IVH), ofrece una mayor precisión de pronóstico que las definiciones tradicionales de HE.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo que utilice tomografías computarizadas sin contraste (NCCT) para predecir el rHE de alto riesgo en pacientes con ICH.
• Permitir intervenciones oportunas mediante la identificación de pacientes en riesgo de una expansión significativa del hematoma.

Principales métodos:

• Se utilizó un conjunto de datos retrospectivos de 775 pacientes con ECI de dos centros, con exploraciones divididas en cohortes de capacitación, pruebas internas y pruebas externas.
• Los modelos de red neuronal convolucional (CNN) 2D y 3D (ResNet, DenseNet) fueron entrenados en imágenes NCCT de referencia.
• El rendimiento del modelo se evaluó utilizando el área debajo de la curva de características de funcionamiento del receptor (AUC) y se comparó con modelos de regresión logística y SVM que incorporan características clínicas y radiómicas.

Principales resultados:

• El modelo de aprendizaje profundo 2D-ResNet-101 logró el mejor rendimiento, con un AUC de 0,777 en el conjunto de pruebas externas.
• Este modelo de aprendizaje profundo superó significativamente los modelos clínico-radiológicos de referencia, incluida la puntuación BRAIN y los modelos logísticos / SVM combinados.
• El modelo demostró un rendimiento predictivo favorable para la identificación de rHE de alto riesgo en comparación con los métodos tradicionales.

Conclusiones:

• Los modelos de aprendizaje profundo basados en imágenes NCCT pueden predecir eficazmente el rHE de alto riesgo en pacientes con ECI.
• El modelo 2D-ResNet-101 desarrollado muestra una precisión de pronóstico superior en comparación con los enfoques clínicos y radiómicos existentes.
• Este enfoque impulsado por la inteligencia artificial es prometedor para mejorar la estratificación temprana del riesgo y guiar las intervenciones oportunas en la gestión de ICH.