在使用卷积神经网络的内外手术脑脊髓液泄漏的预测模型,在内皮下垂体腺瘤切除期间使用卷积神经网络
Faraz Behzadi1, Mohammad Alhusseini2, Seunghyuk D Yang1
1Department of Neurological Surgery, Loyola University Medical Center, Maywood, Illinois, USA.
World neurosurgery
|June 14, 2024
概括
在手术期间识别脑脊液 (CSF) 泄漏至关重要. 一个机器学习模型使用MRI准确地预测了手术内脑液泄漏,突出了特定的解剖区域和视觉障碍作为关键风险因素.
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:
- 脑脊液 (CSF) 在内镜内外科手术中泄漏,可能会导致术后并发症的风险.
- 识别手术内瘤泄漏的临床和解剖学风险因素是必不可少的,但没有明确的定义.
- 术前磁共振成像 (MRI) 数据可以用来预测这些风险.
研究的目的:
- 确定手术内脑脊髓液 (CSF) 泄漏的临床和解剖风险因素.
- 开发和验证一种机器学习模型,用于使用手术前MRI预测手术内CSF泄漏.
- 通过预测潜在的CSF泄漏,提高手术规划和患者安全.
主要方法:
- 一个回顾性分析的成年患者经历了内镜内外形外科手术与可访问的手术前立体磁力共振成像.
- 应用一个二维 (2D) 卷积神经网络 (CNN) 模型,训练在立体T2加权脑MRI扫描上.
- 统计分析以确定与手术内CSF泄漏相关的人口,临床和解剖风险因素.
主要成果:
- 在220名患者中,81人 (36.8%) 经历了手术后的脑脊液泄漏.
- 视力障碍是唯一统计学上显著的临床风险因素 (P=0.008).
- 2D CNN模型在预测CSF泄漏时实现了92%的准确性,AUC为0.90,其中类激活映射突出了CSF流域作为关键预测器.
结论:
- 2D CNN 模型有效地预测了高准确度的手术内CSF泄漏.
- 解剖学区域包括隔膜部,状过程,角和视神经与CSF泄漏风险相关.
- 该模型的发现,结合视觉障碍作为临床风险因素的识别,可以帮助外科手术团队预测和准备手术期间的CSF泄漏.
