使用基于初始大脑CT扫描的深度学习模型预测脑下下出血患者的死亡率
Sergio García-García1, Santiago Cepeda1, Dominik Müller2
1Neurosurgery Department, Rio Hortega University Hospital, 47012 Valladolid, Spain.
Brain sciences
|January 22, 2024
概括
卷积神经网络 (CNN) 可以使用CT扫描来预测下大脑下出血 (SAH) 患者的死亡率. 这种人工智能方法提供了高准确度,有助于对SAH结果的临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 脑下关节下出血 (SAH) 与显著的发病率和死亡率有关.
- 卷积神经网络 (CNN) 展示了从医学成像数据中准确预测的潜力.
研究的目的:
- 开发和评估一种基于CNN的算法,用于预测SAH患者的死亡率.
- 使用初始CT扫描作为死亡率预测的唯一输入.
主要方法:
- 对SAH患者进行了回顾性多中心研究.
- 用AUCMEDI框架处理CT扫描图像,使用DenseNet121架构和转移学习.
- 该模型被训练以预测SAH后的前三个月内死亡率.
主要成果:
- 这项研究分析了219名SAH患者 (28.5%的死亡率).
- 在CNN模型中,仅使用基线CT扫描来预测死亡率,其准确率为74%,F1得分为75%,AUC为82%.
- 该模型仅基于初始成像表现出了良好的预测性能.
结论:
- 人工智能和CNN可以使用CT扫描准确预测SAH患者的死亡率.
- 使用更大的数据集进行进一步优化可能会提高超越传统临床知识的模型性能.
