基于三维卷积神经网络的自动检测中线转移的创伤性脑损伤病例从头部计算机断层扫描扫描
Deepak Agrawal1, Sharwari Joshi2, Vaibhav Bahel3
1Department of Neurosurgery, All India Institute of Medical Sciences, New Delhi, Delhi, India.
Journal of neurosciences in rural practice
|May 15, 2024
概括
这项研究开发了一种人工智能工具,可以使用CT扫描自动检测中线转移 (MLS) 在创伤性脑损伤 (TBIs) 中. 3D CNN模型显示了中等准确度,突出了其用于紧急诊断的潜力.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 神经外科 神经外科
背景情况:
- 中线转移 (MLS) 是脑创伤严重程度和内压力变化的关键指标.
- 放射科医生手动测量MLS是耗时的.
- 自动MLS检测提供了一个潜在的尖端解决方案,用于在紧急情况下快速诊断.
研究的目的:
- 为了确定人工智能驱动的选工具用于自动MLS检测的准确性和预后价值.
- 评估深度学习模型在患有创伤性脑损伤 (TBI) 患者的计算机断层扫描 (CT) 图像上的性能.
主要方法:
- 开发了一个基于深度学习的三维 (3D) 卷积神经网络 (CNN) 模型.
- 该模型接受了156次头部CT扫描的训练,并对TBI患者的20次额外扫描进行了测试.
- 放射科医生报告被用作MLS评估的黄金标准.
主要成果:
- 3D CNN模型的整体精度达到55%.
- 该模型在检测MLS时表现出高特异性 (70%) 和中度敏感性 (40%).
- 查工具正确识别了10个MLS病例中的7个和10个非MLS病例中的4个.
结论:
- 一个自动化的MLS查解决方案可以显著帮助神经外科医生在紧急护理.
- 该研究提供了证据,证明3D CNN模型在帮助临床医生在关键情况下进行MLS查时的实用性.
