应用神经外科的深度学习:识别脑脊液 (CSF) 在水脑病患者的分流系统
Thomas Rhomberg1,2, Felipe Trivik-Barrientos3, Arsany Hakim4
1Department of Neurosurgery, Inselspital, University Hospital Bern, Bern, Switzerland. thomas.rhomberg.1@gmail.com.
Acta neurochirurgica
|February 6, 2024
概括
一个人工智能系统可以准确地识别医疗图像中的脑脊液分流. 这种深度学习模型实现了99%的F1得分,帮助神经外科医生和放射科医生在临床决策中.
科学领域:
- 神经外科 神经外科
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 脑脊液 (CSF) 间接门的多样性越来越多,需要改进识别方法.
- 对神经外科医生和放射科医生来说,准确的突变门识别对于确定门设置和MRI兼容性至关重要.
- 目前的识别方法可能是具有挑战性的,因为各种各样的变速型号.
研究的目的:
- 评估人工智能辅助系统的可行性,用于检测和识别CSF门.
- 开发一种深度学习模型,能够从医学图像中区分各种分流模型.
- 评估人工智能的准确性和效率在门模型的识别.
主要方法:
- 使用了2070个匿名头骨X射线和侦察CT图像的数据集,其中包括10种常见的CSF突变门类型.
- 图像被随机分配到80%的培训和20%的验证集.
- 一个卷积神经网络 (CNN) 通过使用Python中的FastAi库进行转移学习进行训练.
主要成果:
- 人工智能模型获得了99%的F1总体得分,用于正确的变速模型预测.
- 个别变速门型号识别F1分数在92%至100%之间.
- 该模型在区分各种门类型方面表现出高精度.
结论:
- 人工智能辅助技术显示出快速准确地自动检测CSF门模型的巨大潜力.
- 该系统可以在X射线或CT侦察图像上帮助识别未知的变送.
- 将其集成到图像存档和通信系统 (PACS) 或移动应用程序中可以增强临床工作流程.
