基于人工智能的脑动脉静脉形缺陷的自动基因细分在飞行时间磁共振血管学上

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:

• 在大脑动脉静脉形形 (CAVM) 中,准确地细分和量化巢穴对于临床管理至关重要.
• 目前在飞行时间磁共振血管学 (TOF-MRA) 上对CAVM阴道的手动细分方法是耗时的,并且受观察者变化的影响.
• 在定义巢穴边界方面存在挑战,影响诊断准确性和治疗计划.

研究的目的:

• 开发和评估一种人工智能 (AI) 模型,用于对患有CAVM的患者的TOF-MRA图像进行自动化卵巢细分.
• 为了比较人工智能模型的性能与神经外科医生的手动细分.
• 评估人工智能驱动的CAVM内核细分的潜在临床实用性.

主要方法:

• 使用了92名患有CAVM的患者的数据集,包括TOF-MRA和数字减去血管学 (DSA) 数据.
• 两个神经外科医生在TOF-MRA图像上手动细分巢穴,作为基本真理.
• 开发了一个基于U-Net的AI模型,用于自动检测和细分.

主要成果:

• 根据人工智能模型 (5.427 ± 4.996 mL) 和地面真相 (4.824 ± 4.567 mL) 计算的平均体体积没有显示出统计学上显著的差异 (P = 0.693).
• 人工智能模型在测试组件上实现了0.754 ± 0.074的子相似系数 (DSC),0.713 ± 0.102的精度和0.816 ± 0.098的回忆.
• 从AI细分和手动细分中获得的体体积之间观察到强烈的线性相关性 (系数 = 0.988,p < 0.001).

结论:

• 开发的AI细分模型与TOF-MRA上的CAVM nidus手动细分具有中等一致性.
• 人工智能模型显示出增强临床应用的巨大潜力,如手术前规划,治疗疗效评估,风险分层和患者随访.
• 使用人工智能的自动化巢穴细分可能会提高效率,并减少CAVM管理中的观察者之间的变化.