深度学习与神经学家:在LVO中风患者中进行机械血栓切除术的功能性结果预测
Lisa Herzog1,2,3,4, Lucas Kook1,2, Janne Hamann3,4,5
1Epidemiology, Biostatistics and Prevention Institute, University of Zurich, Switzerland (L.H., L.K., B.S.).
Stroke
|June 14, 2023
概括
可解释的深度学习模型准确地预测大血管封闭性中风患者的功能结果. 这些人工智能工具在使用成像数据时显著优于神经病学家,改善了中风结果预测.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 大血管阻塞中风后的功能恢复是可变的,很难预测.
- 目前对中风的治疗方法在预测患者的结果方面存在局限性.
研究的目的:
- 改善大血管封闭性中风患者的功能结果估计.
- 通过使用临床和MRI数据,评估可解释的深度学习模型来预测中风后果.
主要方法:
- 收集了222名中脑动脉M1段阻塞的患者的数据,这些患者接受了机械血栓切除术.
- 使用5倍交叉验证来评估深度学习模型,预测3个月后修改的兰金级.
- 通过使用临床和成像数据,与5位经验丰富的中风神经病学家进行模型性能比较.
主要成果:
- 使用临床和扩散权重成像的深度学习模型显示了最高的二进制预测性能 (AUC 0.766).
- 整合成像数据的模型显著超过神经学家 (72%的准确率与64%的准确率相比).
- 输液加权成像没有提高结果预测的准确性.
结论:
- 可解释的深度学习模型可以显著改善中风患者功能结果的早期预测.
- 人工智能辅助的预测可能会增强大血管闭塞中风的临床决策.
- 深度学习模型在支持神经病学家更好地预测中风后果方面表现有前途.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
10:25Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping
Published on: September 25, 2019
48.1K
