通过非对比CT扫描进行融合学习,以检测中风患者的出血转变
Chung-Ming Lo1, Peng-Hsiang Hung2
1Graduate Institute of Library, Information and Archival Studies, National Chengchi University, Taipei, Taiwan.
Journal of imaging informatics in medicine
|December 9, 2024
概括
这项研究开发了一种计算机辅助系统,用于使用CT扫描预测中风患者的出血转化 (HT) 风险. 人工智能模型实现了88%的准确性,有助于早期检测和改善患者的治疗结果.
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:
- 出血转变 (HT) 是缺血性中风后的严重并发症,预后恶化和死亡率增加.
- 早期预测HT风险对于中风患者的管理和治疗策略至关重要.
研究的目的:
- 开发和验证计算机辅助诊断 (CAD) 系统,用于预测中风患者的HT风险.
- 使用治疗前非对比计算机断层扫描 (CT) 扫描来预测在接受再血管化的患者中的HT.
主要方法:
- 对188名急性缺血性中风患者进行了回顾性分析,接受了再输血前的CT和随访的MRI.
- 在2076个脑CT图像上使用深度学习架构 (CNN,视觉转换器) 提取特征.
- 使用十倍交叉验证和机器学习分类器进行性能评估,评估准确性,灵敏性,特异性和AUC.
主要成果:
- 而DenseNet201模型实现了87%的准确性和0.8863的AUC.
- 结合DenseNet201和视觉变压器 (ViT) 功能,精度提高到88%,AUC提高到0.8987.
- 综合模型在HT风险预测方面显著优于单独的ViT.
结论:
- 基于深度学习的CAD系统可以有效地预测中风患者的HT风险,使用预治疗CT扫描.
- 开发的系统为HT诊断提供了更自动,更有效和更一致的方法,有利于临床应用.
- 这种人工智能工具有可能通过主动管理HT风险来改善中风护理.


