深度学习可以预测侧侧头骨底部脑脊液泄漏或脑细胞泄漏的风险
Steven D Curry1, Kieran S Boochoon2, Geoffrey C Casazza2
1Department of Otolaryngology, Head and Neck Surgery, University of Nebraska Medical Center, 981225 Nebraska Medical Center, Omaha, NE, 68198-1225, USA. scurry@houseclinic.com.
International journal of computer assisted radiology and surgery
|August 29, 2024
概括
自动化深度学习准确地对状孔 (FO) 区域进行细分,有助于预测自发性脑脊液 (sCSF) 泄漏. 这项技术提供了一种有效的工具,用于识别患有中枢神经流泄漏或脑风险的患者.
科学领域:
- 神经外科 神经外科
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 卵孔 (FO) 横截面积的增加与横骨底部自发性脑脊液 (sCSF) 泄漏和脑有关.
- 从成像中手动测量FO区域是耗时的,需要专门的专业知识.
研究的目的:
- 开发用于FO细分的自动化深度学习方法.
- 评估自动FO细分的预测价值,用于识别患有中枢神经流泄漏或脑.
主要方法:
- 一项回顾性队列研究比较了34名患有中枢神经流/脑的患者和815名对照人群.
- 一个卷积神经网络 (CNN) 被训练在轴心CT扫描上对FO进行自动细分.
- 使用Dice分数和接收器操作特征 (ROC) 曲线来评估性能.
主要成果:
- 美国有线电视新闻网 (CNN) 获得了0.81的平均子得分,表明了准确的细分.
- 与对照组 (24.3 mm2) 相比,患有中枢神经液泄漏/脑的患者的FO截面面积平均显著增加 (29.0 mm2).
- 在ROC曲线下的面积为0.69.
结论:
- 深度学习模型可以准确高效地对FO截面区域进行细分.
- 这种自动化方法显示出作为预测中枢神经流泄漏或脑风险的临床工具的潜力.
- 与其他预测因子的整合可能会提高临床效用.
