随机专家抽样用于深度学习细分急性缺血性中风在非对比CTCT上的细分

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CT上准确地划分急性心脏病发作的大脑组织至关重要,但由于人类专家之间有限的读者间协议,这是一项挑战.
• 监督深度学习提供了一个潜在的解决方案,但对细分缺血组织的最佳训练策略仍在研究中.

研究的目的:

• 为了比较两种深度学习培训方法在非对比CT上细分缺血性脑组织的性能:来自专家细分的多数投票与个别专家细分的随机抽样.
• 评估深度学习模型与专家共识以及24小时随访扩散权重成像 (DWI) 心脏病核心体积的一致性.
• 评估模型衍生的心脏病发作体积与临床结果的相关性.

主要方法:

• 通过对急性缺血性中风患者的260项非对比CT研究 (DEFUSE 3试验) 的数据训练U-Net深度学习模型,并与33个外部病例进行验证.
• 采用了两种培训方案: (1) 来自三个专家神经放射学家细分的多数投票,以及 (2) 来自个别专家细分的随机抽样.
• 用量,重叠 (子分数) 和距离指标来评估细分性能,并使用威尔科克森签名排名测试与专家间的协议和彼此进行比较.

主要成果:

• 随机专家抽样模型与专家间的协议 (0.36±0.05) 和多数投票模型 (0.45±0.05) 相比,获得了显著更高的子得分 (0.51±0.04).
• 随机模型的预测心脏病发作量与90天修改的兰金尺度 (mRS) 分数有显著的相关性,与中位数专家或多数模型不同.
• 在模型和24小时随访DWI心脏病核心体积之间的体积相关性中没有发现显著差异.

结论:

• 在随机专家细分上训练的深度学习模型在非对比CT上划分缺血损伤方面表现出优异的表现,与多数票和专家间协议相比.
• 随机模型的体积测量与通过24小时后续DWI确定的最终心脏病核心体积一致,并且与临床结果相关.