在计算机断层扫描血管学上使用深度学习自动识别可接受血栓切除术的血管封闭

科学领域:

• 医疗成像中的人工智能
• 神经学 神经学
• 放射学 放射学是一门学科.

背景情况:

• 急性缺血性中风的治疗依赖于快速检测大血管封闭 (LVO).
• 计算机断层扫描血管造影 (CTA) 对于识别可接受内血管治疗的LVO至关重要.
• 目前的检测方法可能耗时,影响治疗开始.

研究的目的:

• 开发和外部验证一个完全自动化的深度学习算法,用于检测CTA中可接受血栓切除术的血管封闭 (TAVO).
• 用AUC,灵敏度和特异性等指标来评估算法的诊断性能.
• 评估该算法的潜力,以协助医生诊断LVO.

主要方法:

• 开发了一个深度学习模型,利用U-Net进行船舶细分和EfficientNetV2进行TAVO预测.
• 该模型对2045名急性缺血性中风患者进行了训练,这些患者接受了CTA.
• 外部验证是在两个独立的数据集上进行的,分别包括64名和313名患者.

主要成果:

• 该算法实现了高诊断准确性,曲线下的面积 (AUC) 值为0.950 (内部),0.970 (外部1) 和0.971 (外部2).
• 该算法显示,对于内内动脉 (ICA) 或M1-MCA闭塞的灵敏度和特异性约为0.95.
• 对于孤立的M2-MCA封闭,性能略有降低,AUC为0.903 (内部) 和0.916 (组合外部).

结论:

• 一个完全自动化的深度学习算法用于检测CTA中的TAVO已经成功开发和外部验证.
• 该算法显示出有很大的潜力,可以帮助医生,特别是职业生涯早期的医生,快速识别LVO.
• 进一步的现实世界的临床评估是必要的,以确认其在简化内血管治疗途径的有效性.