通过深度学习模型提高放射科医生的脑动脉瘤检测性能:一项多中心研究
Liyong Zhuo1, Yu Zhang1, Zijun Song2
1Department of Radiology, Affiliated Hospital of Hebei University, Baoding, PR China (L.Z., Y.Z., L.X., F.Z., H.M., J.W., X.Y.).
Academic radiology
|October 15, 2024
概括
一个深度学习 (DL) 模型改善了放射科医生对脑动脉瘤的检测,显著提高了诊断准确度,减少了解释时间. 这种人工智能工具提高了工作流程效率和诊断性能,特别是对于初级放射科医生来说.
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:
- 大脑动脉瘤带来了重大的诊断挑战.
- 准确及时检测对于患者的治疗结果至关重要.
- 现有的诊断方法可能耗时,需要专家解释.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于检测和诊断脑动脉瘤.
- 评估DL协助对放射科医生的表现和工作流程效率的影响.
- 为了比较具有和没有DL模型支持的诊断准确性.
主要方法:
- 在11个中心的3829名患者的数据上训练了一个DL模型,并对来自三个机构的484名患者进行了测试.
- 图像解释由初级和高级放射科医生进行,仅使用DL模型,以及放射科医生与DL协助的组合.
- 分析了诊断性能指标 (AUC,灵敏度,特异性) 和解释和后处理所花费的时间.
主要成果:
- 将DL模型辅助与放射科医生相结合,将图像解释时间减少了37.2%,后处理时间减少了90.8%.
- DL模型显著改善了初级放射科医生 (0.842到0.881) 和高级放射科医生 (0.853到0.895) 的曲线下的面积 (AUC).
- 脑动脉瘤检测的灵敏度和特异性在DL模型的帮助下显著提高,特别是对于初级放射科医生来说.
结论:
- 深度学习模型显著提高了放射科医生在检测脑动脉瘤方面的诊断性能.
- 通过减少翻译和后处理时间,DL协助带来了更有效的工作流程.
- 这项研究强调了人工智能在神经成像中增强临床决策的潜力.
