基于多序MRI图像的深度学习模型,用于评估胎盘中不良妊娠结果
Ming Zong1, Xinlong Pei2, Kun Yan1
1School of Computer Science, Peking University, Beijing, China.
Journal of magnetic resonance imaging : JMRI
|October 18, 2023
概括
使用手术前MRI多序图像的深度学习模型准确地评估了胎盘积分谱障碍中的不良妊娠结果. 这种先进的成像分析有助于预测严重出血和子宫切除等并发症.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 产科和妇科 产科和妇科
背景情况:
- 准确的手术前风险评估对于胎盘增生谱 (PAS) 障碍的不良结果对于患者的管理和预后至关重要.
- 深度学习模型在分析复杂的医学成像数据方面表现有前途.
研究的目的:
- 开发和评估一个深度学习模型,利用手术前MRI多序图像来预测PAS患者的不良妊娠结果.
- 调查特定MRI序列与不良结果风险之间的关联.
主要方法:
- 一项回顾性研究涉及323名怀孕妇女,怀疑PAS,她们接受了手术前的MRI.
- 深度学习模型使用单,双或多序MRI输入进行训练和验证.
- 不良妊娠结果被定义为手术期间出血≥1500毫升和/或子宫切除.
主要成果:
- 结合四个MRI序列的深度学习模型在测试队列中表现出强大的诊断性能,AUC为0.8792,准确度为85.93%,灵敏度为86.24%,特异性为85.62%.
- 与单个或两个序列模型相比,四个序列模型显著改善了不利结果的预测,正如净重新分类改进 (NRI) 所指出的那样.
- 与非侵入性病例 (9.25%) 相比,侵入性胎盘增生病例的不良结果发生率更高 (67.44%).
结论:
- 建议使用多序MRI的深度学习模型显示了高的诊断性能,用于评估胎盘中不良妊娠结果.
- 这种人工智能驱动的方法可以显著提高术前风险分层,潜在地改善术后管理和患者的结果.
