在计算机断层扫描血管学中基于深度学习的喉动脉斑块的全自动查:一项多中心研究

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心血管疾病 心血管疾病

背景情况:

• 动脉斑块 (CAP) 是心血管风险的关键指标.
• 在计算机断层扫描血管学 (CTA) 上精确检测和分类CAP对于患者管理至关重要.
• 目前的手动分析可能耗时,并且受观察者之间的变化影响.

研究的目的:

• 开发和验证深度学习 (DL) 算法,用于自动检测和分类CAPs.
• 在独立验证数据集上使用各种指标来评估DL模型的性能.

主要方法:

• 这是一项追溯性研究,涉及400名接受CTA扫描的患者.
• 开发一个两步DL系统,使用修改后的3D-UNet进行细分和ResUNet进行检测/分类.
• 使用内部 (300名患者) 和外部 (100名患者) 数据集的验证,放射科医生的共识作为基本真相.

主要成果:

• 对于CAP检测,DL模型实现了83.4% (内部) 和78.9% (外部) 的灵敏度.
• 良好的整体准确度通过F1得分 (0.764内部,0.769外部) 和fROC曲线下的面积 (0.756内部,0.738外部) 表示.
• 有效三元分类的CAPs (非化,混合,化) 科恩的卡帕为0.728 (内部) 和0.703 (外部).

结论:

• 一个完全自动化的DL算法用于CAP检测和三元分类是可行的.
• 开发的DL系统在内部和外部验证数据集上都表现出强大的性能.
• 这种自动化方法有可能帮助放射科医生,提高工作流程的效率.