开发一种深度学习模型,用于检测幼儿头部计算机断层扫描中的视网膜出血
Fatma Gunturkun1, Berna Bakir-Batu2, Adeel Siddiqui3
1Quantitative Sciences Unit, Department of Medicine, Stanford University, Palo Alto, California.
JAMA network open
|June 22, 2023
概括
深度学习模型可以在儿科头部CT扫描上检测视网膜出血 (RH),有助于诊断滥用头部创伤 (AHT). 这个人工智能工具可以帮助识别需要进一步检查AHT的儿童.
科学领域:
- 医学成像分析分析 医学成像分析
- 人工智能在诊断中的应用
- 儿科医学 儿科医学 儿科医学
背景情况:
- 虐待头部创伤 (AHT) 是儿童虐待案件的一个关键问题.
- 视网膜出血 (RH) 是AHT的一个关键指标,但经常被忽视.
- 目前的头部CT扫描对检测RH的能力有限.
研究的目的:
- 评估深度学习 (DL) 模型在儿科头部CT扫描上检测RH的有效性.
- 评估AI是否可以改善RH的识别,这是AHT的标志物.
主要方法:
- 一项诊断研究分析了301名被诊断为AHT的儿童的头部CT扫描.
- 一个DL模型被训练和测试在有和没有RH的细分球体上.
- 性能与使用临床和CT数据的梯度增强机 (GBM) 模型进行了比较.
主要成果:
- 对于RH检测,DL模型实现了79.6%的灵敏度和79.2%的特异性.
- 结合DL和临床数据模型显示的特异性高于单独的临床数据.
- DL模型显示AUC为0.83用于预测RH存在.
结论:
- 儿童头部CT的基于深度学习的图像分析可以有效地预测RH.
- 将DL集成到CT软件中可以增强AHT诊断并指导临床决策.
- 这种人工智能工具可能有助于优先考虑对有风险的儿童进行底镜检查.
