基于非对比计算机断层扫描成像的初始脑内出血后,用于预测中风后的自动深度学习方法

科学领域:

• 神经学 神经学
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 脑卒中后 (PSE) 是一种常见的并发症,影响中风患者的结果.
• 非对比计算断层扫描 (NCCT) 是诊断脑内出血 (ICH) 的标准.

研究的目的:

• 开发和验证一个深度学习模型 (PSENet) 用于使用NCCT预测ICH患者的PSE.
• 评估模型的性能与临床预测模型相比.

主要方法:

• 一个三重深度学习模型 (PSENet) 使用来自1,130名ICH患者的NCCT数据被开发出来.
• 该模型整合了ICH细分,皮质参与特征和ICH体积.
• 与随机森林模型相比,使用准确度,F1得分,回忆,特异性和AUC来评估性能.

主要成果:

• PSENet的AUC为0.840,显著超过了临床模型的基线 (AUC = 0.787).
• 该模型表现出高诊断性能,准确度为0.876和特异性为0.897.
• 无新网 (nnU-Net) 在ICH细分方面获得了0.923的高子得分.

结论:

• PSENet模型可以在初始事件发生后不久,准确地预测ICH患者的中风后.
• 这种人工智能工具在临床环境中尤其有价值,因为在入院时可能无法获得全面的患者数据.