深度学习生物标志物计时和生物缺血性中风病变年龄从未增强的CTCT
Adam Marcus1, Grant Mair2, Liang Chen1
1Department of Brain Sciences, Imperial College London, London, UK.
NPJ digital medicine
|December 6, 2024
概括
深度学习从CT扫描中准确估计急性缺血性中风病变年龄,优于目前的方法. 这一进步通过提供更精确的生物损伤年龄评估,改善了超急性中风的管理.
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:
- 估计急性缺血性脑病变的年龄对于有效的超急性中风管理至关重要.
- 当前的方法依赖于净吸水量 (NWU),从非对比CT (NCCT) 上的相对强度 (RI) 获得,但准确性可能是有限的.
研究的目的:
- 优化NCCT的损伤年龄估计,使用一种新的深度学习方法.
- 将深度学习模型的准确性与预测损伤年龄的现有RI/NWU方法进行比较.
主要方法:
- 一个卷积神经网络-放射学 (CNN-R) 模型被开发和训练在计时损伤年龄 (Onset Time to Scan: OTS).
- 在外部数据集 (N=1945) 上验证了CNN-R模型,对计时和生物损伤年龄进行了验证.
- 使用确定系数 (R2),与缺血核心:半阴比 (ρ2) 的关联以及早期损伤扩张来评估性能.
主要成果:
- 与RI模型 (0.32) 相比,CNN-R模型在OTS预测中获得了更高的R2 (0.58).
- CNN-R估计的损伤年龄与缺血核心:半阴比 (ρ2=0.37) 的关联比RI和计时OTS更强.
- 与其他方法 (p < 0.05) 相比,CNN-R在预测早期病变扩张方面的准确性超过两倍.
结论:
- 对NCCT病变的深度学习分析显著提高了估计时间和生物病变年龄的准确性.
- 在超急性中风中,CNN-R方法提供了一个更精确的工具来评估病变年龄,超过目前的NWU方法.
