在深度学习模型与居民之间进行性能比较,以定位和分类内出血
Salita Angkurawaranon1,2, Nonn Sanorsieng1, Kittisak Unsrisong1
1Department of Radiology, Maharaj Nakorn Chiang Mai Hospital, Faculty of Medicine, Chiang Mai University, Chiang Mai, 50200, Thailand.
Scientific reports
|June 20, 2023
概括
一种深度学习模型在CT扫描上显示出高精度检测来自创伤性脑损伤 (TBI) 的内出血 (ICH). 虽然它在灵敏度方面表现出色,但在特异性方面略有落后于居民,这表明作为查工具的潜力.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 神经外科 神经外科
背景情况:
- 创伤性脑损伤 (TBI) 需要对内出血 (ICH) 进行快速放射性评估.
- 计算机断层扫描 (CT) 是TBI的主要成像模式,由于放射学人员短缺而面临挑战.
- 深度学习 (DL) 模型为有效和准确的放射学报告生成提供了潜在的解决方案.
研究的目的:
- 评估DL模型的诊断性能,以检测创伤性ICH.
- 为了比较DL模型的性能与放射学,急诊医学和神经外科住院医生.
主要方法:
- 开发并测试了一种DL模型,用于创伤性ICH的检测,定位和分类.
- 性能指标包括精度,灵敏度和特异性在DL模型和医疗住院人员之间进行了比较.
主要成果:
- DL模型实现了0.89.9的高整体精度.
- 与居民相比,DL模型显示出更高的灵敏度 (0.82).
- DL模型的特异性 (0.90) 略低于居民的特异性.
结论:
- 深度学习模型在帮助解释TBI患者头部CT扫描时显示出有前途的潜力.
- DL模型可以作为一个有价值的查工具,潜在地提高诊断效率.
- 进一步开发可能会提高DL模型的特异性,以实现全面的临床整合.
