使用基于计算机断层扫描血管造影的深度学习模型评估内动脉瘤的稳定性

科学领域:

• 医疗成像中的人工智能
• 神经外科和神经辐射学
• 计算病理学计算病理学

背景情况:

• 评估内动脉瘤 (IA) 稳定性对于临床管理至关重要,但存在重大挑战.
• 目前用于IA稳定性评估的方法可能无法完全捕捉动脉瘤行为的细微差别.
• 需要先进的工具来帮助识别不稳定的动脉瘤是至关重要的.

研究的目的:

• 开发和评估一种深度学习模型 (DLM),用于识别不稳定的内动脉瘤.
• 通过计算机断层扫描血管学 (CTA) 图像来评估DLM的疗效.
• 将DLM的性能与使用临床和形态特征的传统模型进行比较.

主要方法:

• 来自1041名患有1227个动脉瘤的患者的临床数据的回顾性分析.
• 六个模型的开发,包括基于卷积神经网络 (CNN) 的深度学习 (DL) 模型,利用临床,形态和DL特征.
• 使用内部和外部数据集验证模型,评估曲线下的面积 (AUC),精度,灵敏度和特异性的性能.

主要成果:

• 结合临床,形态和DL特征的DLM (Model F) 在外部验证集中达到0.9696的最高AUC.
• 仅使用形态特征的模型 (B模型) 显示高AUC为0.9665.
• 与仅依赖临床或DL特征的模型相比,DLM表现优越.

结论:

• 基于CNN的DLM整合了多种特征,显著提高了对内动脉瘤稳定性的预测.
• 开发的DLM显示了在评估IA稳定性时临床应用的巨大潜力.
• 这种人工智能驱动的方法可以作为一个有价值的工具,以支持临床决策在管理内动脉瘤.