验证深度学习模型用于创伤性脑损伤检测和NIRIS对非对比CT的分级:一个多读者研究,有前景的结果和改进机会

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 创伤性脑损伤 (TBI) 诊断严重依赖于解释非对比计算断层扫描 (NCCT) 扫描.
• 深度学习 (DL) 模型为医疗图像的自动分析提供了潜力,包括TBI检测.

研究的目的:

• 评估和外部验证深度学习 (DL) 模型 (icobrain tbi) 的性能,用于解释疑似TBI患者的NCCT扫描.
• 为了比较DL模型的解释准确度与不同专业水平的人类审稿人.

主要方法:

• 一项回顾性研究涉及100名涉嫌TBI的患者,他们接受了NCCT扫描.
• 由八名审查员 (参加者,研究员,居民) 和DL模型对NCCT扫描的独立评估.
• 通过对所有可用的临床数据和随访成像进行共识审查来确定基本事实.
• 使用诸如科恩卡帕,麦克纳马尔测试和布兰德-阿尔特曼图表等指标对特定TBI发现 (例如,中线转移,出血性损伤) 的DL模型和审查员表现的比较.

主要成果:

• DL模型成功地分类了100个TBI扫描中的77个,证明了与地面真相和人类审查员的中度一致.
• DL模型显示高特异性 (0.88) 和正预测值 (0.96) 进行TBI严重程度的分类 (NIRIS分数0-2对3-4).
• 在DL模型的帮助下,培训人员对地面真相的同意得到了改善;然而,护理人员通常保持了更高的准确性 (0.95).

结论:

• 该DL模型显示承诺作为一个辅助工具,培训人员在解释TBI NCCT扫描,提高他们的诊断准确性.
• 虽然DL模型的表现在某些方面与实习生相美,但专家神经放射科医生 (临床) 仍然是基准.
• 需要进一步开发和优化DL模型,以提高其在TBI诊断中的临床实用性和可靠性.