与专家神经放射学家相比,在16小时内在非对比CT上深度学习缺血性中风细分的非劣势性
Sophie Ostmeier1, Brian Axelrod2, Benjamin F J Verhaaren3
1Stanford School of Medicine, Stanford, USA.
Scientific reports
|September 26, 2023
概括
一个深度学习模型在CT扫描上准确地细分了急性缺血性中风影响的大脑组织. 这种卷积神经网络 (CNN) 在识别缺血核心方面实现了与专家神经放射学家可比的准确性.
科学领域:
- 神经辐射学神经辐射学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 在非对比CT (NCCT) 上精确细分缺血核心对于急性缺血中风管理至关重要.
- 深度学习模型为自动化和标准化这一细分过程提供了潜力.
研究的目的:
- 评估3D卷积神经网络 (CNN) 的准确性,以对NCCT上的急性缺血变化进行细分.
- 为了在临床试验环境中比较CNN与专家神经放射学家的表现.
主要方法:
- 使用232名急性缺血性中风患者的NCCT扫描来训练一个3D CNN (DEFUSE 3试验).
- 一个神经放射学家的细分作为训练的基础真理;另外两个用于测试.
- 通过使用体积,重叠和距离指标来评估性能,并根据专家间的协议进行非劣势测试.
主要成果:
- 经过训练的CNN在5mm宽容度下实现了0.46 ± 0.09的表面子和0.47 ± 0.13的子.
- 模型-专家协议与两个神经放射学家之间的协议没有劣势.
- 美国有线电视新闻网 (CNN) 在NCCT上展示了低密度缺血核心的准确划分.
结论:
- 在急性缺血性中风患者中,CNN可以在NCCT上准确地细分缺血核心.
- 深度学习模型的准确性与经验丰富的神经放射学家的准确性相当.
- 这项技术有望提高中风成像分析的效率和一致性.
