一个基于深度学习的框架,用于使用头部非对比CT扫描来预测脑内血瘤扩张
Na Li1, Shaodong Ding2, Ziyang Liu2
1Department of Neurology, Beijing Tiantan Hospital, Capital Medical University, Beijing, China (N.L., J.J., X.Z.); China National Clinical Research Center for Neurological Diseases, Beijing Tiantan Hospital, Capital Medical University, Beijing, China (N.L., W.Y., J.J., Y.J., X.Z.).
Academic radiology
|August 6, 2024
概括
这项研究引入了一个深度学习框架,用于预测脑内出血患者的血液瘤扩张. 人工智能工具使用非对比CT扫描准确识别高风险个体,优于现有方法.
科学领域:
- 神经学 神经学
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 血瘤扩张 (HE) 是大脑内出血 (ICH) 结果的关键因素.
- 目前用于预测HE的临床工具不足.
- 准确的HE预测对于及时干预至关重要.
研究的目的:
- 为高等教育预测开发一个全自动化的深度学习框架.
- 仅使用非对比CT (NCCT) 扫描来进行预测.
- 提高ICH患者的HE风险评估的准确性.
主要方法:
- 在一个大型的回顾性数据集 (n=2484) 上训练了一个两阶段的深度学习框架.
- 该框架在一个验证集 (n=608) 和一个前数据集 (n=500) 上进行了评估.
- 使用曲线下的面积 (AUC),灵敏度和特异性来衡量性能.
主要成果:
- 该框架在追溯验证集中获得了0.760的AUC.
- 对前性数据集的评估结果是AUC为0.806.
- 这显著超过了BAT得分 (AUC为0.582和0.699).
结论:
- 开发的框架准确地和自动地识别出高风险的ICH患者.
- 与传统的BAT评分相比,它提供了更精确的HE预测.
- 这种工具有可能提高ICH管理的临床决策.
更多相关视频
10:25Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping
Published on: September 25, 2019
47.9K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K