一个深度学习算法来识别动脉斑块并评估它们的稳定性

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:

• Carotid 斑块是重要的中风风险因素.
• 带超声波有助于评估中风风险,但可能是主观的,耗时的.
• 深度学习为自动化,客观的状腺斑块分析提供了潜力.

研究的目的:

• 开发和验证深度学习算法,用于检测动脉斑块.
• 通过深度学习来评估动脉斑块的稳定性.
• 提供一个一致和客观的诊断方法,用于动脉查.

主要方法:

• 使用深度学习模型将双线卷积神经网络与残余神经网络 (BCNN-ResNet) 融合在一起.
• 在1339名参与者的3860张超声波图像 (内部) 和674名参与者的1564张图像 (外部) 上训练并测试了该模型.
• 使用曲线下的面积 (AUC),灵敏度和特异性评估模型性能.

主要成果:

• 对于斑块检测,该模型实现了0.989 (内部) 和0.951 (外部) 的AUC,具有高灵敏度和特异性.
• 为了评估斑块稳定性,该模型实现了0.896 (内部) 和0.854 (外部) 的AUC.
• 该算法在识别动脉斑块的存在和稳定性方面表现出强的表现.

结论:

• 深度学习算法,特别是 BCNN-ResNet,显示出用于常规超声波图像分析的前景.
• 开发的模型可以有效地检测喉斑块,并评估它们的不稳定性.
• 这种自动化方法可以提高动脉斑块诊断的客观性和一致性.