基于CT的深度学习模型用于预测自发脑内出血时的医院出院结果
Xianjing Zhao1,2, Bijing Zhou3, Yong Luo4
1Department of Radiology, Zhejiang Cancer Hospital, Hangzhou, Zhejiang, China.
European radiology
|December 21, 2023
概括
深度学习模型使用CT扫描准确预测脑内出血 (ICH) 患者的功能结果. 一个新的融合模型整合了临床和成像数据,超过了现有的得分,改善了患者的预后.
科学领域:
- 神经学 神经学
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 脑内出血 (ICH) 在预测患者的功能结果方面提出了重大挑战.
- 准确的预后对于指导治疗策略和改善患者的生存率和生活质量至关重要.
研究的目的:
- 开发和评估深度学习模型,以使用计算机断层扫描 (CT) 图像预测ICH患者的功能结果.
- 将这些模型的性能与已建立的临床评分系统进行比较.
主要方法:
- 一项回顾性研究,涉及两个中心的ICH患者.
- 使用CT扫描开发一个3D卷积神经网络 (CNN) 模型.
- 创建一个包含临床和放射学数据的极端梯度增强 (XGBoost) 模型.
- 将CNN和XGBoost模型合并为一个合并的"Fusion模型".
主要成果:
- 融合模型在外部数据集中表现出卓越的预测准确性,曲线下的面积 (AUC) 为0.905.5.
- 在预后表现方面,Fusion模型显著优于ICH评分和ICH分级表 (ICH-GS).
- 深度学习模型,特别是融合模型,在预测有利的功能结果方面表现出很高的准确性 (修改后的兰金级得分为0-3).
结论:
- 深度学习模型,特别是拟议的融合模型,在预测自发性脑内出血患者的功能结果方面具有很高的准确性.
- 融合模型整合了CT成像,临床和放射学特征,提供了一个强大的预后工具.
- 这种先进的深度学习方法可以帮助临床医生在治疗规划中,潜在地提高患者的生存率和生活质量.
