自动化ASPECTS计算可能与经验丰富的临床医生的表现相等:基于大型队列的机器学习研究

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的机器学习
• 神经学 神经学

背景情况:

• 阿尔伯塔中风计划早期CT评分 (ASPECTS) 对于在非对比计算断层扫描 (NCCT) 上评估急性缺血性中风 (AIS) 的早期缺血性变化至关重要.
• 手动的ASPECTS评分可能会因为评级者之间的可靠性不佳而受到影响.
• 自动化ASPECTS评分具有更快,更一致的中风评估的潜力.

研究的目的:

• 开发和验证一种基于机器学习的自动化方法,用于计算AIS患者NCCT图像上的ASPECT.
• 评估自动化ASPECTS方法的性能与专家神经放射学家的评级.

主要方法:

• 使用3626个注释的NCCT案例的大队伍开发了一种两阶段机器学习模型.
• 该模型接受了图像分析和机器学习技术的培训.
• 对300个NCCT病例的独立外部数据集进行了验证.

主要成果:

• 自动化的ASPECTS方法实现了0.842的类内相关系数,在验证集上获得了专家评级.
• 两体化ASPECTS (≥6 vs <6) 显示中度一致 (κ = 0.438) 对于ASPECTS≥6.5%的敏感度为86.5%.
• 与之前的研究相比,该方法的准确性 (78.9%) 和特异性 (81.2%) 与提高的灵敏性 (67.8%) 和AUC (0.845) 相同.

结论:

• 拟议的自动化ASPECTS方法,在大型NCCT数据集上进行训练,其性能与专家评估相当.
• 这种自动化方法证明了ASPECTS评估的有效性和可靠性.
• 虽然有望对AIS进行快速干预,但自动化ASPECTS应该补充,而不是取代临床判断.