对中风发病时间预测的深度学习分析和与DWI-FLAIR不匹配的比较

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 脑卒中医学 脑卒中医学

背景情况:

• 在未知发病时间的情况下,DWI-FLAIR不匹配对于分层中风患者至关重要.
• 在中风发作后4.5小时内识别患者对于静脉血栓溶解的资格至关重要.
• 深度学习有可能提高DWI-FLAIR不匹配评估的准确性和可访问性.

研究的目的:

• 开发和评估一种深度学习模型,以使用DWI和FLAIR成像来预测从缺血性中风开始的时间.
• 在DWI-FLAIR不匹配解释中,将深度学习模型与人类评级者的性能进行比较.
• 评估深度学习在增强中风患者分层的人类表现方面的实用性.

主要方法:

• 使用未处理的DWI和共同注册的FLAIR数据训练了一个深度学习模型.
• 将组卷积神经网络与其他深度学习架构进行了比较.
• 评估模型性能与初级和高级人类评级者相比,包括在无法确定的情况下.

主要成果:

• 最好的深度学习模型实现了与人类评分器可比的性能.
• 模型辅助评级提高了准确性和评级者之间的协议,特别是在具有挑战性的情况下.
• 可解释性分析证实了该模型能够为预测定位中风病变的能力.

结论:

• 基于深度学习的临床决策支持可以显著提高DWI-FLAIR不匹配概念的可访问性.
• 人工智能增强支持更准确的患者分层,用于中风治疗.
• 这项技术有望在中风治疗中得到更广泛的临床采用.