在脑水症CT图像中诊断感染:一个域丰富的注意力学习方法

科学领域:

• 医疗成像中的人工智能
• 儿科神经外科 儿科神经外科
• 传染病诊断 传染病诊断 传染病诊断

背景情况:

• 全球范围内,水脑是儿童神经外科干预的主要原因.
• 区分后传染性水头 (PIH) 和识别致病原体对于治疗至关重要.
• 目前的诊断方法 (临床评估,微生物学分析) 是耗时且昂贵的.

研究的目的:

• 开发一种域丰富的人工智能 (AI) 方法,用于使用CT扫描诊断水脑病患者的感染.
• 提高识别后感染性水脑病 (PIH) 和相关病原体的准确性和效率.
• 创建一个可解释的AI模型,克服传统深度学习方法的局限性,例如广泛的数据要求.

主要方法:

• 开发一种新型的大脑注意力调节器,以增强卷积神经网络 (CNN) 关注相关大脑区域.
• 扩展到混合的2D/3D CNN架构,以利用CT扫描中的切片间信息.
• 实施新的规范化战略,以促进2D和3D网络组件之间的协作.

主要成果:

• 拟议的AI方法在乌干达CURE儿童医院的数据集上实现了最先进的 (SOTA) 性能.
• 在水头症分类中获得了95.8%的准确性,在病原体分类中获得了84%的准确性.
• 与现有的SOTA替代品相比,在统计学上有显著的改进.

结论:

• 注意规范化的AI模型提供了显著的好处,特别是在数据有限的场景中,提高了概括性.
• 这种可解释的基于人工智能的方法代表了在使用CT扫描对水脑及其潜在病原体进行分类的独特进步.
• 开发的方法为儿科水头提供了更有效,更准确的诊断工具,有助于治疗计划.