DeepBleed的外部验证和再训练:第一个开源的3D深度学习网络,用于对自发性脑内和心室内出血的细分

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 神经外科 神经外科

背景情况:

• 脑内出血 (ICH) 的自动3D细分对于临床决策至关重要.
• 早期深度学习模型的性能需要严格的外部验证和潜在的再培训.

研究的目的:

• 为了评估3D神经网络对自发ICH细分的性能.
• 评估重新培训对模型准确性和通用性的影响.

主要方法:

• 使用多中心回顾性队列 (3D神经网络) 的独立验证 (1040名患者).
• 使用子得分 (DSC),灵敏度和正预测值 (PPV) 的性能评估.
• 原始模型 (OM) 和重新训练模型 (RM) 的性能比较,分析影响DSC的因素.

主要成果:

• 最初的模型实现了0.84的中位数DSC,0.79的灵敏度和0.93.9的PPV.
• 重新训练的模型显示了可比的整体性能 (DSC 0.83,灵敏度 0.80,PPV 0.91).
• 经过再培训后,DSC的DSC显著改善 (p < 0.001);ICH的体积和位置影响了表现 (p < 0.05). 在体积测量 (r > 0.90) 和细分 (ICC ≥ 0.9) 中的优异一致性.

结论:

• 在外部验证队列中,3D神经网络表现出良好的概括能力.
• 重新训练显著提高了特定位置的性能,特别是在不合规的ICH.
• 外部验证和再培训对于在新的临床环境中部署深度学习模型至关重要.