深度学习驱动的脑中风的多类分类,使用计算机断层扫描:朝着提高诊断精度迈出了一步.

科学领域:

• 医疗成像中的人工智能
• 神经学和中风诊断 神经学和中风诊断
• 为医疗保健提供深度学习.

背景情况:

• 脑中风诊断严重依赖于医疗成像的及时和准确的解释.
• 计算机断层扫描 (CT) 是急性中风评估的主要成像方法.
• 提高诊断准确度和速度对于有效的中风管理和患者的治疗结果至关重要.

研究的目的:

• 开发和验证深度学习模型,以使用CT成像来预测和分类脑中风状况.
• 评估这些人工智能模型在提高诊断准确性和支持临床决策方面的潜力.
• 通过严格的内部和外部验证方法来评估模型性能.

主要方法:

• 一项回顾性研究利用了来自两个中心的250名患者 (2017-2022) 的8186张CT图像.
• 使用扩展的ResNet101框架开发了两个深度学习模型.
• 模型性能使用混矩阵,准确性,精度,F1分数和专家审核员的外部验证进行了评估.

主要成果:

• 内部验证显示了高性能:模型01 (准确率99.6%,准确率99.4%,F1得分99.6%) 和模型02 (准确率99.2%,准确率98.8%,F1得分99.1%).
• 外部验证给出了模型01的准确率为78.6%,模型02的准确率为60.2%.
• 对外部验证结果的统计学意义得到证实 (P < 0.001).

结论:

• 深度学习模型在CT图像中准确预测脑中风结果方面显示出显著的潜力.
• 开发的模型实现了高的内部绩效指标,表明了强大的预测能力.
• 通过使用更大,更多样化的数据集进行进一步开发,可以增强这些模型,以在中风预后和决策方面提供强大的临床支持.