人工智能用于识别图像中腹腔和腹腔动脉血管图像中的活跃出血
Yiftach Barash1,2,3, Adva Livne4,5, Eyal Klang4,6,5,7
1Department of Diagnostic Imaging, Chaim Sheba Medical Center, Emek Haela St. 1, 52621, Ramat Gan, Israel. yibarash@gmail.com.
Cardiovascular and interventional radiology
|March 26, 2024
概括
一个人工智能 (AI) 模型在消化道出血的数字减去血管学 (DSA) 图像中显示出积极出血的潜力. 这种人工智能工具取得了显著的准确性,表明其在诊断出血源方面的临床应用潜力.
科学领域:
- 干预性放射学 干预性放射学
- 人工智能在医学中的应用
- 胃肠病学 胃肠病学
背景情况:
- 上部胃肠道出血 (GIB) 是一个重要的临床挑战.
- 数字减去血管学 (DSA) 是诊断GIB的关键成像方式.
- 准确及时识别活跃出血对于有效治疗至关重要.
研究的目的:
- 评估人工智能 (AI) 模型在DSA图像中检测活跃出血的有效性.
- 评估卷积神经网络 (CNN) 在分类血管图像中的性能.
- 确定AI在改善上部GIB诊断方面的潜力.
主要方法:
- 从中枢动脉和腹腔动脉栓塞手术 (2018-2022) 中回顾收集DSA图像.
- 数据集包括来自142名患者的587张预标记图像,包括活跃出血和正常阶段.
- 一个CNN接受了自动图像分类的培训和验证,其性能指标包括AUC,精度,灵敏度和特异性.
主要成果:
- 在验证队列中,AI模型实现了曲线下的面积 (AUC) 为85.0%±10.9%.
- 平均分类准确率为77.43% ± 4.9%.
- 检测活动出血的灵敏度和特异性分别为85.4%±9.4%和81.2%±8.6%,在尤登指数切线时.
结论:
- 基于人工智能的算法证明了在中腔和腹腔动脉血管学中准确分类活跃出血的潜力.
- 这项研究强调了在干预放射学中应用AI用于GIB检测的可行性.
- 建议使用更大的数据集进行进一步研究,以提高准确性并使出血细分成为可能.
