使用双能CT深度学习预测血栓切除术后脑出血转化
JoonNyung Heo1,2, Youngno Yoon3, Hyun Jin Han4
1Department of Radiology, Yonsei University College of Medicine, Seoul, Republic of Korea.
European radiology
|November 10, 2023
概括
一个深度学习模型准确地预测了使用双能CT的内血管血栓切除术后的出血转变. 这种卷积神经网络 (CNN) 方法显示出高性能,有助于个性化中风治疗策略.
科学领域:
- 神经成像是一种神经成像.
- 人工智能在医学中的应用
- 脑卒中管理 脑卒中管理
背景情况:
- 出血转化 (HT) 是急性缺血性中风的内血管血栓切除术 (EVT) 后的一种并发症.
- 准确预测HT对于优化患者管理和结果至关重要.
研究的目的:
- 开发和验证一个深度学习模型,用于预测EVT后的HT.
- 为了利用双能计算断层扫描 (DECT) 成像进行此预测.
主要方法:
- 对接受EVT的急性缺血性中风患者的回顾性分析.
- 使用EVT后的DECT扫描开发一个卷积神经网络 (CNN) 模型.
- 对CNN模型与基于临床变量的后勤回归模型进行验证.
主要成果:
- 在测试数据集上,CNN模型在预测HT的测试数据集上获得了0.911的AUC.
- 深度学习模型显著优于临床变量模型 (AUC 0.634).
- 在血栓切除术后的DECT中,泄漏被确定为血脑屏障破坏的潜在指标.
结论:
- 使用DECT的深度学习模型有效地预测了EVT后的HT.
- 血栓切除术后的个人化HT风险评估中,CNN提供了一个强大的工具.
- 基于DECT的泄漏分析可以为HT预测提供信息.
