对特定于腹腔大动脉动脉瘤的卷积神经网络的混变量进行机器学习分析

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 血管外科 血管外科

背景情况:

• 下腹腔大动脉瘤 (AAA) 对健康构成重大风险.
• 在计算机断层扫描血管图 (CTA) 上准确识别AAA对于及时干预至关重要.
• 卷积神经网络 (CNN) 在医疗图像分析中表现有前途.

研究的目的:

• 为了评估CNN的准确性,CNN专门训练用于在CTA上检测红外线AAA.
• 识别可能影响CNN业绩的混变量.
• 评估CNN模型对成像数据和患者病理学变化的稳定性.

主要方法:

• 一项回顾性研究分析了200名AAA患者和200名对照者的CTA.
• 在VGG-16模型上使用转移学习开发了CNN.
• 对不同数据集大小的模型性能进行了评估,并分析了动脉瘤大小,壁面血栓和腹外延伸等因素.

主要成果:

• 在各种数据集中,CNN实现了高精度 (高达99.6%) 和曲线下的面积 (高达0.9998).
• 模型的灵敏度和特异性即使在不平衡的数据中仍然很高.
• 误判在较小的动脉瘤 (<3.3厘米) 和壁面血栓患者中更常见.

结论:

• 一个针对AAA的CNN模型可以准确地选和识别CTA上的红外AAA.
• 尽管存在诸如腹外病理和不平衡的数据集等混因素,但模型的准确性仍然保持不变.
• 最严重的错误判断发生在小动脉瘤或壁面血栓的存在,突出显示了潜在的模型改进领域.