将2.5D深度学习和传统特征结合在一个联合模型中,用于早期检测sICH扩张
Peng Wang1, Junfeng Zhang2, Yi Liu2
1Department of Radiology, Chinese People's Liberation the General Hospital of Western Theater Command, Chengdu, 610083, China. kl415@qq.com.
Scientific reports
|September 28, 2024
概括
结合2.5D深度学习,放射学,放射学和临床数据的新联合模型显著改善了自发性脑内出血 (sICH) 扩张的早期预测. 这种强大的模型为患有sICH的患者提供了更好的个性化风险评估.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 神经学 神经学
背景情况:
- 自发性脑内出血 (sICH) 是一种严重的疾病,患病率和死亡率很高.
- 早期预测血瘤扩张对于及时干预和改善患者结果至关重要.
- 当前的预测模型往往缺乏全面的数据集成.
研究的目的:
- 开发和评估一个高效的深度学习模型,使用2.5D (2.5-维度) 面具用于sICH.
- 为了比较集成多种特征类型的联合模型与独立模型的预测性能.
- 评估一个多因素预测模型在SICH早期血液瘤扩张的临床实用性.
主要方法:
- 对254名sICH患者的回顾性分析,分为血液瘤扩张组.
- 构建2.5DsICH面具从最大轴,冠状和斜面平面进行深度学习模型训练.
- 使用临床,放射学,放射学和深度学习特征的预测模型的开发和比较,无论是单独还是联合.
主要成果:
- 联合模型实现了最高的曲线下面积 (AUC) 0.939 (列车组) 和0.929 (测试组).
- 决策曲线分析证实了联合模型对其他模型的优越性.
- 联合模型显示了早期血液瘤扩张的预测和实际概率之间的良好一致性.
结论:
- 结合2.5D深度学习,放射学,放射学和临床特征的联合模型是早期SICH扩张的强大和高效预测器.
- 这种多因素方法增强了对SICH患者的个性化风险评估.
- 这些发现支持整合各种数据源的临床实用性,以改善脑内出血的预后.
