精确的图像级定位头部脑内出血 脑电图扫描用深度学习模型训练在研究级标签上的CT扫描
Yunan Wu1, Michael Iorga1, Suvarna Badhe1
1From the Departments of Electrical Computer Engineering (Y.W., S.L., A.A., A.K.K.) and Computer Science (A.K.K.), Northwestern University, Evanston, Ill; Departments of Radiology (M.I., S.B., D.R.C., N.S., M.D., T.A.H., E.J.R., T.B.P., A.K.K., V.B.H.) and Neurology (A.M.N.), Northwestern University Feinberg School of Medicine, 676 N St. Clair St, Ste 1400, Chicago, IL 60611; Shirley Ryan AbilityLab, Chicago, Ill (S.B.); Department of Radiology, Indiana University Health, Indianapolis, Ind (J.Z.); Department of Radiology, Medical College of Wisconsin, Milwaukee, Wis (E.J.T.); Department of Medical Imaging, McMaster University, Hamilton, Ontario, Canada, (S.T.H.); and Department of Radiology, Mount Sinai Medical Center, Miami Beach, Fla (K.M.P.).
一个新的弱监督模型可以在CT扫描上使用研究级标签自动检测内出血 (ICH). 这种人工智能工具显示出高精度和通用性,匹配专家的性能,同时显著减少诊断时间.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 神经学 神经学
背景情况:
- 在CT扫描上检测内出血 (ICH) 对及时的患者管理至关重要.
- 自动检测系统可以帮助放射科医生,但通常需要广泛的像素级注释.
- 弱监督的学习提供了一个潜在的解决方案,利用更少的细粒度标签.
研究的目的:
- 开发和验证一个高度通用,弱监督的模型,用于ICH的自动检测和定位.
- 利用放射学报告中的研究级标签用于训练模型,减少对详细注释的需求.
主要方法:
- 一项使用弱监督模型的回顾性研究,在RSNA数据集上进行预训练,并在本地数据集上进行微调.
- 该模型使用基于注意力的双向长期短期记忆网络,对10699个无对比头部CT扫描进行了研究,并具有研究水平的ICH标签.
- 绩效与高级神经放射学家在本地和外部测试集上进行了评估.
主要成果:
- 该模型在本地测试组中获得了85.7%的正预测值 (PPV),在外部测试组中达到89.3%.
- 在局部和外部测试组中,ROC曲线下的面积为0.96.
- 该模型的诊断时间 (5.04秒) 比神经放射学家 (86秒和22.2秒) 快得多,性能相似.
结论:
- 开发的弱监督模型显示了ICH检测的高通用性和准确性.
- 该模型提供了一个有价值的工具,用于在临床工作流程中加快ICH检测和优先级.
- 这种方法有可能减少假阳性发现,提高放射科医生的效率.
