在急性缺血性中风中,在非对比CT图像上定位早期心脏病发作,采用深度学习方法
Sulagna Mohapatra1, Tsong-Hai Lee2,3, Prasan Kumar Sahoo4,5
1Department of Computer Science and Information Engineering, Chang Gung University, 259, Wen-Hwa 1st Road, Guishan, Taoyuan, 33302, Taiwan.
Scientific reports
|November 9, 2023
概括
一个深度学习模型在非对比CT扫描上准确地识别出缺血性中风的早期迹象. 这种人工智能工具有助于定位心脏病发作,改善及时治疗和患者中风护理结果.
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:
- 在非对比计算机断层扫描 (NCCT) 上早期检测缺血性中风对于及时治疗和改善患者结果至关重要.
- 以前的研究表明,在NCCT上识别缺血损伤的有效性.
- 开发先进的本地化模型可以进一步提高诊断准确性.
研究的目的:
- 开发和评估深度学习 (DL) 定位模型,用于在NCCT上识别早期心脏病发作迹象.
- 评估模型在不同大脑区域检测缺血病变方面的表现.
- 使用人工智能提高中风诊断的效率和准确性.
主要方法:
- 一项涉及517名缺血性中风患者的回顾性研究,这些患者在发病后12小时内接受了NCCT.
- 从1,634个NCCT扫描中提取了21436个心脏病发作和20391个非心脏病发作贴片.
- 使用并比较了各种预训练的卷积神经网络 (CNN) 模型,包括VGG16,GoogleNet,ResNet50,Inception-ResNet-v2,Inception-v3和Inception-v4.
主要成果:
- 定制的VGG16模型实现了0.73的曲线下的平均面积 (AUC),用于在上和下区域检测早期心脏病发作.
- 在VGG16模型中,发现了在 supratentorial区域 (皮层,皮下和结合) 的早期心脏病发作,平均AUC>0.70.
- 该模型在517名患者中的494名患者中,在识别心脏病发作病变方面表现出95.6%的准确性.
结论:
- 基于深度学习的VGG16模型有效地在NCCT上定位了早期缺血性心脏病发作的迹象.
- 该模型显示了帮助临床医生及时诊断缺血性中风的巨大潜力.
- 这种人工智能方法可以促进更快的治疗启动和更好的中风结果预测.
