在疑似急性缺血性中风患者的CT血管学中基于深度学习检测血管封闭

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 神经学 神经学

背景情况:

• 及时诊断和治疗对于急性缺血性中风 (AIS) 患者的结果至关重要.
• 计算机辅助诊断 (CAD) 系统可以加速AIS的诊断工作流程.
• 现有的CAD解决方案在检测能力和速度方面可能存在局限性.

研究的目的:

• 开发和验证人工神经网络 (ANN),用于在疑似AIS中自动检测异常血管发现.
• 以敏感度和负预测值 (NPV) 来评估ANN的性能.
• 将ANN的性能与现有的CE和FDA批准的软件解决方案进行比较.

主要方法:

• 开发一个人工神经网络 (ANN),用于自动检测异常血管发现.
• 在六个月的时间内,在四家医院进行伪前性外部验证.
• 将ANN与两个商业上可用的CE和FDA批准的软件解决方案进行比较.

主要成果:

• 开发的ANN在不到2分钟的时间内实现了异常血管发现的自动检测.
• 在验证过程中显示出高灵敏度 (≥87%) 和负预测值 (≥93%).
• 该ANN显著优于现有的软件,显示了25-45%更高的灵敏度和4-11%更高的NPV (p ≤ 0.003).

结论:

• 开发的ANN提供了一个高度敏感和快速的工具,用于检测疑似AIS中的异常血管.
• 与当前批准的软件解决方案相比,这种由人工智能驱动的系统提供了卓越的性能.
• 提供了一个在线成像平台,用于持续改进,并作为开发中风诊断中强大的AI算法的模型.