基于深度学习的动脉狭窄在头部和部CT血管学上的自检性能:一个独立的外部验证研究

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 头部和部动脉狭窄是中风的重要原因.
• 精确检测狭窄症对于患者管理至关重要.
• 计算机断层扫描血管学 (CTA) 是一种常见的成像方式.

研究的目的:

• 为了外部验证CerebralDoc,一个用于头部和部CTA的狭窄检测的自动化工具.
• 评估狭窄的位置和严重程度对自动检测性能的影响.
• 将自动检测与数字减去血管学 (DSA) 作为黄金标准进行比较.

主要方法:

• 对296名接受头CTA和DSA的患者进行了回顾性分析.
• 使用CerebralDoc对CTA数据进行自动化狭窄评估.
• 在不同解剖层次 (患者,区域,血管,细分) 和狭窄值 (≥50%,≥70%,100%) 的性能评估.
• 后勤回归用于识别与虚假负数相关的因素.

主要成果:

• 在所有级别和值中观察到高特异性 (>92%).
• 曲线下的面积 (AUC) 从0.615 (基于地区,≥70%的狭窄) 到0.945 (基于患者,≥50%的狭窄) 不同.
• 灵敏度范围从0.714 (基于细分,≥70%的狭窄) 到0.895 (基于患者,≥50%的狭窄).
• 假阴性与特定位置 (M2段,头骨底部ICA) 和闭塞有关.

结论:

• CerebralDoc证明了在头部和部CTA中自动检测狭窄的潜力.
• 性能因解剖水平和狭窄症的严重程度而异.
• 为了提高准确性,需要进一步精细化,特别是对于特定的段落和遮.