脑出血的放射性特征通过自动细分从中风和创伤性脑损伤中的计算机断层扫描
Bradley J MacIntosh1,2,3, Qinghui Liu1, Till Schellhorn1,4
1Computational Radiology & Artificial Intelligence Unit, Department of Physics and Computational Radiology, Clinic for Radiology and Nuclear Medicine, Oslo University Hospital, Oslo, Norway.
Frontiers in neurology
|October 16, 2023
概括
这项研究表明,人工智能深度学习工具在CT扫描上有效地对内出血进行细分,与专家数据相对应,并且在检测出血方面具有很高的准确性. VIOLA-AI工具在诊断各种类型的出血方面表现有前途.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 放射性评估对于诊断自发性脑内出血 (ICH) 和创伤性脑损伤脑内出血 (TBI-bleed) 是至关重要的.
- 人工智能 (AI) 深度学习模型为解释这些复杂的成像发现提供了潜在的决策支持.
- 对不同数据集的AI工具性能进行评估对于临床采用至关重要.
研究的目的:
- 使用外部非对比CT数据评估3D深度学习AI模型 (VIOLA-AI) 的出血细分性能.
- 评估模型在多个数据源中检测和量化内出血的能力.
- 为了比较人工智能生成的细分与专家的地面真相注释.
主要方法:
- 利用了来自挪威和瑞典七个地点的1263名患者的非对比CT成像数据.
- 包括被诊断为ICH,TBI出血或轻度TBI的患者.
- 生成出血位置频率图,与体积相关估计的血瘤集群,并对专家注释进行接收操作员特征 (ROC) 分析.
主要成果:
- 出血频率图显示了与ICH和TBI-bleed一致的空间模式.
- 在各位点估计的集群数量和血液瘤总体体积之间发现了正相关性 (0.45-0.74).
- 与专家注释相比,VIOLA-AI实现了0.82的中位数子相似系数和小量的高估 (0.47毫升).
- 总体出血检测给出了0.92的高曲线下面面积 (AUC),尽管在轻度头部损伤病例中TBI出血检测显示AUC为0.70.
结论:
- 开源的VIOLA-AI工具有效地可视化出血位置,并量化数据源之间的差异.
- 自动化出血量估计与集群计数相关,ROC结果是有希望的.
- 该VIOLA-AI工具证明了对各种内出血诊断的潜在实用性.
