使用基于点云的深度学习模型评估内动脉瘤破裂风险
Heshan Cao1, Hui Zeng2, Lei Lv2
1Department of Neurology, Sun Yat-sen Memorial Hospital, Sun Yat-sen University, Guangzhou, China.
Frontiers in physiology
|March 1, 2024
概括
这项研究引入了一个使用点云来预测内动脉瘤破裂风险的深度学习模型. 该模型显示出有希望的结果,优于传统方法,尽管可通用性需要进一步调查.
科学领域:
- 神经外科 神经外科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确预测内动脉瘤破裂对于临床管理至关重要.
- 现有的方法可能无法完全捕捉复杂的动脉瘤形态.
- 深度学习为改善风险评估提供了一个潜在的途径.
研究的目的:
- 开发和验证使用点云来预测内动脉瘤破裂的深度学习框架.
- 与现有方法相比,评估这种新方法的有效性.
主要方法:
- 使用了623个内动脉瘤 (211个破裂,412个未破裂) 的数据集.
- 3D动脉瘤模型被转换为深度学习的点云 (PointNet++架构).
- 两种模型 (dome和cut1) 被训练并与LASSO回归模型进行验证.
主要成果:
- 在内部验证中",cut1"模型的AUC比"dome"模型 (0.81) 高 (0.85).
- 在外部验证中",cut1"模型的表现优于LASSO回归模型 (AUC 0.82与0.71).
- 点云方法显示了比LASSO模型更好的通用性.
结论:
- 点云表示有效地捕捉了内动脉瘤的3D形态特征.
- 包括母船部分在内,可以提高模型在破裂风险预测中的性能.
- 深度学习模型显示出潜力,但需要进一步的研究来应对可概括性的挑战.
