基于CTA图像的深度学习模型来检测状斑块:一个两步的早期临床验证研究

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心血管诊断心血管诊断服务

背景情况:

• 动脉动脉样硬化斑块是中风的重要危险因素.
• 准确和高效地检测动脉斑块对于患者管理至关重要.
• 当前的诊断方法可能在速度和准确性方面存在局限性.

研究的目的:

• 开发一种深度学习 (DL) 模型,用于使用CTA图像检测状腺斑块.
• 评估开发的DL模型的临床可行性和价值.
• 使用ResUNet和PSPNet的组合来增强斑块细分.

主要方法:

• 追溯收集来自647名患者的CTA数据 (2020年10月至2022年10月).
• 开发一个结合ResUNet和Pyramid Scene Parsing Network (PSPNet) 的DL模型.
• 使用损伤级回忆,患者级敏感度和精度进行评估,并进行临床验证研究.

主要成果:

• DL模型实现了高诊断性能 (例如,测试组:精度78.37%,灵敏度91.86%,回忆率84.58%).
• 该模型在不同的斑块位置,形态和类型中展示了准确性.
• 临床验证显示,该模型在6位放射科医生中表现优于4位,并提高了他们的灵敏度,同时显著减少了诊断时间 (6s).

结论:

• 人工智能模型显示,用于检测状动脉斑块的临床潜力很强.
• 它改善了临床医生的诊断性能,并大大缩短了检测时间.
• 该模型在现实世界的临床场景中是实用的.