3D深度学习模型的现实应用,用于检测和定位大脑微型血液
So Yeon Won1,2, Jun-Ho Kim3, Changsoo Woo4
1Department of Radiology and Center for Imaging Sciences, Samsung Medical Center, Sungkyunkwan University School of Medicine, Seoul, Republic of Korea.
Acta neurochirurgica
|September 26, 2024
概括
一个3D深度学习模型显著改善了大脑微型血流 (CMB) 的检测和定位,特别是在放射科住院医生身上. 这种人工智能工具在诊断和规划CMB治疗的临床应用方面表现有前途.
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:
- 脑微血流 (CMB) 的检测和定位对于疾病诊断和治疗规划至关重要.
- 目前的检测方法是劳动密集型,耗时,并且由于视觉模仿而具有挑战性.
- 开发了一个3D深度学习模型来应对CMB检测和定位中的这些挑战.
研究的目的:
- 验证3D深度学习模型用于检测和解剖定位CMB的性能.
- 评估模型在现实世界临床环境中的有效性.
- 将诊断性能与人工智能辅助和无人工智能辅助进行比较
主要方法:
- 进行了一项涉及33名患者的研究 (21名有CMB,12名没有).
- 三位读者 (神经放射科医生,放射科医生,神经外科医生) 独立审查了SWI以检测CMB并分类其位置.
- 读者在洗期后重新评估数据集,并与性能进行了比较.
主要成果:
- 使用人工智能助理的读者与没有人工智能的读者相比,通常表现出更高的每次阅读灵敏度.
- 放射科医生在使用人工智能模型时经历了统计学上显著的灵敏度增加.
- 人工智能模型准确地对所有CMB的解剖位置进行了分类,而每位患者的错误阳性结果没有显著增加.
结论:
- 3D深度学习模型显示了检测和解剖学定位CMBs的巨大潜力.
- 人工智能工具表现出更好的性能,特别是对于不那么有经验的读者.
- 需要对更大,更多样化的群体进行进一步的研究,以确认在现实场景中临床效用.
