基于CTA的深度学习综合模型,用于识别未破裂的内动脉瘤的不规则形状和动脉瘤大小
Ke Tian1, Zhenyao Chang2,3, Yi Yang2
1Beijing Institute of Technology School of Automation, Beijing, Beijing, China.
Journal of neurointerventional surgery
|February 20, 2025
概括
一个新的深度学习模型使用计算机断层扫描血管学 (CTA) 准确地分类不规则的形状,并测量未破裂的内动脉瘤 (UIA) 的大小. 这种人工智能工具可以增强初级临床医生的能力.
科学领域:
- 医学成像人工智能 医学成像人工智能
- 神经外科 神经外科
- 放射学 放射学是一门学科.
背景情况:
- 人工智能 (AI) 在识别未破裂的内动脉瘤 (UIA) 不规则的形状和大小方面表现有前途.
- 现有的人工智能工具缺乏可靠的UIA形状不规则性分类和验证与黄金标准的三维旋转血管学 (3DRA) 相比.
研究的目的:
- 开发和验证使用计算机断层扫描血管学 (CTA) 的深度学习模型,用于分类UIA形状不规则性和测量UIA大小.
- 评估模型与3DRA的性能及其对临床决策的影响.
主要方法:
- 一个卷积神经网络 (CNN) 模型是使用CTA图像从衍生集 (307名患者,365名UIA) 开发和测试在一个外部集 (305名患者,350名UIA).
- 高级调查人员在3DRA上手动测量是形状不规则和动脉瘤大小的基本真相.
- 用曲线下的面积 (AUC) 来进行形状分类和使用类内相关系数 (ICC) 来进行尺寸测量来评估模型的性能.
主要成果:
- 与3DRA.相比,深度学习模型在外部测试组上实现了不规则形状分类的AUC0.87和动脉瘤大小测量的ICC0.92,与3DRA.相比.
- 初级临床医生的不规则形状分类性能与模型显著改善 (AUC 0.86至0.97,P<0.001).
结论:
- 基于CTA的深度学习模型显示了高精度和外部有效性,用于分类UIA形状不规则性和测量大小.
- 开发的模型有可能提高读者性能,并帮助管理UIAs.
