开发一种深度学习方法,以识别大脑CTCT上的急性缺血性中风病变

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:

• 计算机断层扫描 (CT) 对于缺血性中风诊断至关重要,但解释延迟很常见.
• 目前用于自动CT评估的机器学习 (ML) 方法需要注释图像,从而限制了数据集的大小和多样性.
• 这项研究旨在开发一种深度学习 (DL) 方法,用于检测缺血性病变,使用标记但未注释的CT脑部扫描.

研究的目的:

• 开发和评估一种DL算法,用于在CT脑扫描上检测缺血性病变.
• 为了评估DL方法的性能,使用例行采集的,标记的CT数据.
• 探索影响DL性能的因素,包括病变特征和扫描时间.

主要方法:

• 一个基于卷积神经网络的DL算法被设计用于缺血病变检测.
• 该算法是在来自大型多中心国际试验的CT脑部扫描上训练的,此前该算法被标记为急性和慢性外观.
• 该研究分析了病变特征,脑背景状况和CT时间 (基线与随访) 对DL表现的影响.

主要成果:

• 该DL方法在检测来自2347名患者的5772个CT扫描中,在检测缺血性病变方面达到72%的准确性.
• 对较大的病变 (80%) 和多重病变 (87-100%) 的检测准确性得到改善.
• 随访扫描 (76%的准确率) 比基线扫描 (67%) 的表现更好,而非中风或旧中风病变等慢性疾病的准确性降低了.

结论:

• 可以有效地开发深度学习方法,在CT上检测缺血性病变,使用常规收集的扫描的大数据集,而不需要手动的病变注释.
• 这种方法有助于创建更强大的和广泛适用的自动化CT中风评估工具.
• 这些发现表明,通过人工智能驱动的图像分析,可以实现更快,更可靠的中风诊断.