比较深度学习模型和传统的后勤回归模型,用于识别不稳定的囊内动脉瘤在计算机断层扫描血管学

科学领域:

• 神经外科 神经外科
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 区分不稳定的内动脉瘤 (IAs) 和稳定的动脉瘤对于及时的临床决策至关重要.
• 计算机断层扫描血管造影 (CTA) 是IA评估的关键成像方式.
• 深度学习模型 (DLM) 显示了分析医疗图像的潜力.

研究的目的:

• 用CTA图像来评估DLM在识别不稳定的IA方面的诊断性能.
• 为了比较DLM与传统物流回归模型 (LRM) 的区分能力.

主要方法:

• 一项对1,049名患者的回顾性分析,其中681名患者不稳定,556名患者稳定.
• 基于卷积神经网络 (CNN) 的DLM和LRM的开发和验证.
• 在内部和外部验证集上使用曲线下的面积 (AUC),灵敏度,特异性和精度来评估模型性能.

主要成果:

• 在外部验证集上,LRM表现出强大的预测性能,AUC为0.963和高精度 (0.913).
• 在外部验证集中,DLM 实现了 0.771 的 AUC 和 0.782 的精度.
• 传统的LRM在预测IA不稳定性方面表现优于DLM.

结论:

• 基于CNN的DLM在预测CTA的不稳定IA方面并没有超过传统的LRM.
• IAs的临床和形态特征是稳定性的基本预测因素.
• 需要进一步的研究来提高AI驱动的AI不稳定性预测的准确性.