使用深度学习模型进行中风血栓数字照片的自动病因分类
Álvaro Lucero-Garófano1,2, Alicia Aliena-Valero1, Isabel Vielba-Gómez1,3
1Unidad Mixta de Investigación Cerebrovascular, Instituto de Investigación Sanitaria La Fe, Valencia, Spain.
Frontiers in neurology
|February 3, 2025
概括
深度学习模型现在可以使用血栓图像自动分类缺血性中风的原因. 这种人工智能方法有助于确定中风病因,以便制定更好的二次预防策略.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 对缺血性中风进行准确的病因分类对于有效的二次预防至关重要.
- 很大一部分缺血性中风的原因尚不确定,这给治疗带来了挑战.
- 机械血栓切除术提供了适合分析的取回血栓样本.
研究的目的:
- 开发和验证深度学习 (DL) 模型,用于缺血性中风的自动病因学分类.
- 用机械血栓切除术中获得的血栓的数字图像作为DL模型的输入.
- 将临床特征与成像数据相结合,以提高分类准确度.
主要方法:
- 一个包括两个深度神经网络的DL模型被设计用于血栓图像细分和病因分类.
- 该模型是通过数字血栓图像和来自166名大血管封闭性中风患者的临床数据进行训练和评估的.
- 使用DICE系数进行细分和准确性,精度,灵敏度,特异性和AUC进行分类来评估性能.
主要成果:
- 细分网络实现了0.96.96的高平均DICE系数.
- 融合成像和临床分类网络表现出极好的性能,准确度为0.968和AUC为0.947.
- 该模型有效地对密码性血栓进行了分类,将96%归类为心血管血栓和4%归类为动脉血栓病因.
结论:
- 两个卷积神经网络,结合临床数据,可以准确地细分血栓图像,并分类缺血性中风病因.
- 这种基于DL的方法提供了一种精确的方法来区分急性缺血性中风的动脉栓塞和心血管栓塞原因.
- 该模型有望改善缺血性中风的病因诊断,并可能增强二次预防策略.
