整合临床数据和放射学和深度学习特征,以对非对比CTCT进行端到端延迟脑缺血预测
Qi-Qi Ban1,2, Hao-Tian Zhang3, Wei Wang1
1From the Department of Radiology (Q.-q.B., W.W., Y.Z., H.Q.), Affiliated Hospital of Yangzhou University, Yangzhou, China.
AJNR. American journal of neuroradiology
|July 18, 2024
概括
这项研究开发了一种自动化模型,使用非对比计算断层扫描 (NCCT) 预测动脉瘤下关节出血 (SAH) 后的延迟脑缺血. 结合了临床,放射学和深度学习模型,实现了高精度,改善了早期检测和治疗策略.
科学领域:
- 神经辐射学神经辐射学
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
背景情况:
- 动脉瘤下arachnoid出血 (SAH) 后的延迟大脑缺血症 (DCI) 呈现出诊断上的挑战,因为它是渐进的,无症状的发作.
- 早期发现DCI对于及时干预和改善患者结果至关重要.
研究的目的:
- 开发和验证一种自动化模型,用于预测动脉瘤SAH患者的DCI,使用非对比计算断层扫描 (NCCT).
- 整合临床数据,放射学特征和深度学习洞察力,以提高DCI预测.
主要方法:
- 一项对400名动脉瘤SAH患者的回顾性研究,使用NCCT扫描.
- 开发ATT-DeepLabv3+模型用于自动化出血区域细分.
- 将临床,放射学和深度学习特征集成到分类模型中 (逻辑回归,天真贝叶斯,AdaBoost,多层感知子).
- 评估使用Dice相似系数进行细分,并使用接收器操作特征曲线 (AUC) 下的面积进行分类.
主要成果:
- 细分模型实现了0.91.91的Dice相似系数.
- 结合临床-放射学-深度学习模型与多层感知子的组合表明AUC最高为0.84.84.
- 这种综合模型显著优于仅基于临床或临床放射学特征的模型.
- 综合模型中的多层感知子分类器表现出最佳的校准.
结论:
- 拟议的两阶段端到端模型为DCI预测提供了快速,准确的细分和卓越的诊断性能.
- 临床放射学深度学习模型显示了增强DCI检测和指导治疗策略的巨大潜力.
- 这种自动化方法可以改善动脉瘤SAH患者的管理.
