DeepSAP:一种基于脑图像的新型深度学习模型,用于预测自发性脑内出血引起的中风相关肺炎
Xu Qiao1, Chenyang Lu1, Min Xu2
1School of Control Science and Engineering, Shandong University, Jinan, Shandong 250100, China.
Academic radiology
|July 2, 2024
概括
一个新的DeepSAP模型使用脑CT扫描在脑内出血 (ICH) 患者中准确预测中风相关的肺炎 (SAP). 这种人工智能工具比传统方法更准确,可以及时检测和分类SAP.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 神经病学和重症监护
背景情况:
- 与中风相关的肺炎 (SAP) 是脑内出血 (ICH) 的常见并发症,显著增加死亡率.
- 现有的SAP预测模型通常依赖于有限的临床数据,缺乏实时适用性和准确性.
- 迫切需要快速可靠的方法来预测ICH患者的SAP.
研究的目的:
- 开发和验证基于图像的深度学习模型DeepSAP,用于预测SAP的存在和严重程度.
- 利用脑CT扫描进行客观和及时的SAP风险评估.
- 提高SAP现有的临床和放射性模型的诊断性能.
主要方法:
- 一项回顾性研究涉及244名ICH患者进行脑CT扫描.
- 使用基于MRI模板的图像注册开发DeepSAP模型,用于ICH的空间标准化.
- 将处理的CT图像和临床数据输入到深度学习神经网络中进行培训和测试.
主要成果:
- 在SAP存在分类中,DeepSAP获得了0.93的AUC,超过了临床数据 (AUC 0.76) 和放射性 (AUC 0.74) 模型.
- 该模型在预测SAP时显示了0.84的准确性和0.79的灵敏性.
- 在SAP分级方面,DeepSAP也表现出强的表现,最佳AUC为0.84.
结论:
- DeepSAP通过CT扫描对ICH区域的空间规范化和统计量化来准确地预测和评分ICH患者的SAP.
- 该模型的高精度和依赖于易于获得的CT数据使其成为临床应用的有价值工具.
- 预计DeepSAP将提高SAP的早期检测和管理,从而有可能改善患者的治疗结果.


