基于深度学习的分类扩散加权成像-流体减弱反转恢复不匹配不匹配
Pum Jun Kim1, Dongyoung Kim1, Joonwon Lee2
1Graduate School of Artificial Intelligence, Ulsan National Institute of Science and Technology, Ulsan, Republic of Korea.
Scientific reports
|February 18, 2025
概括
一种深度学习模型准确地识别了急性中风患者的扩散加权成像 (DWI) 和流体减弱倒置恢复 (FLAIR) 不匹配. 这种人工智能工具减少了评估不匹配的主观性,有助于重新道化治疗的治疗决策.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 人工智能在医学中的应用
- 神经学和中风管理 神经学和中风管理
背景情况:
- 扩散加权成像 (DWI) - 流体减弱倒置恢复 (FLAIR) 的不匹配对于识别急性缺血性中风患者有资格接受再通道治疗至关重要.
- 对DWI-FLAIR不匹配的视觉评估受到评估者之间的变化影响,影响诊断准确性和治疗一致性.
- 需要客观和自动化的方法来克服在中风成像中主观视觉评估的局限性.
研究的目的:
- 开发和验证基于深度学习的分类器,用于在急性缺血性中风中自动化DWI-FLAIR不匹配分类.
- 提高DWI-FLAIR不匹配评估的客观性和一致性,以便在再通道治疗中更好地选择患者.
主要方法:
- 卷积神经网络 (CNN) 模型是为两个二元分类开发的:DWI-FLAIR匹配与非匹配以及匹配与不匹配.
- 利用了来自四个中风中心的2369名患者 (衍生队列) 和679名患者 (外部验证队列) 的数据.
- 用曲线下的面积 (AUC) 来评估模型性能,用于内部和外部验证集.
主要成果:
- 对DWI-FLAIR匹配与非匹配的分类器实现了0.862的内部AUC和0.829和0.835.3的外部AUC.
- DWI-FLAIR匹配与不匹配的分类器表现出更高的性能,内部AUC为0.934和外部AUC为0.883和0.913.
- 深度学习方法显著降低了DWI-FLAIR不匹配评估中的主观性.
结论:
- 基于深度学习的分类器可以准确可靠地对急性缺血性中风患者的DWI-FLAIR不匹配进行分类.
- 这种人工智能工具有可能减少主观性,并支持针对重新道化治疗的临床决策.
- 使用深度学习的自动DWI-FLAIR不匹配评估可以提高急性中风护理的效率和有效性.
