自动化ASPECTS细分和评分工具:为哥伦比亚的远程冲击网络量身定制的一种方法

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 神经学 神经学

背景情况:

• 早期发现缺血性心脏病发作对于急性缺血性中风管理至关重要.
• 电脑中风软件可以改善对中风专业知识的访问,但需要可靠的诊断工具.
• 现有的心脏病发作检测方法可能在准确性或可访问性方面存在局限性.

研究的目的:

• 评估两种新的非机器学习 (非ML) 算法方法,用于在脑CT图像上早期检测缺血性心脏病发作.
• 评估这些方法的性能与商业ML解决方案和专家神经放射学家相比.
• 确定这些算法是否适合集成到远程冲击软件中,特别是在资源有限的环境中.

主要方法:

• 开发并测试了两个非ML算法:平均霍恩斯菲尔德单位 (HU) 相对差异 (RELDIF) 和密度分布等价性测试 (DDET).
• 利用了113名急性中风患者的CT图像,专家一致认为这是阿尔伯塔中风计划早期CT分数 (ASPECTS) 的黄金标准.
• 将RELDIF和DDET的性能与商业ML解决方案 (CMLS) 和使用二分化ASPECTS的四位独立神经放射学家进行了比较.

主要成果:

• 对于二分化的ASPECTS (<6),DDET实现了0.85的接收器操作特征曲线 (AUC) 下的面积,RELDIF实现了0.84,超过了CMLS (0.64).
• 对DDET的精度为0.85,对RELDIF的精度为0.88,与神经放射学家 (0.83-0.96) 的精度相当.
• 与CMLS相比,DDET和RELDIF都证明了与黄金标准的等价性和非劣势性,并且至少有一个神经放射科医生.

结论:

• RELDIF和DDET方法在脑CT上检测早期缺血性心脏病发作方面表现出高的准确性和可靠性.
• 这些非ML算法具有显著的潜力,可以作为临床环境中快速和准确的中风诊断的支持工具.
• 他们的表现表明,它们可能是远程冲击软件的宝贵补充,特别是在无法接触神经放射学家的地区.