推进内动脉瘤检测:深度学习模型性能,临床整合和未来方向的全面系统审查和元分析
Niloufar Delfan1, Fatemeh Abbasi2, Negar Emamzadeh3
1School of Electrical and Computer Engineering, College of Engineering, University of Tehran, Tehran, Iran; Neuraitex Research Center, School of Electrical and Computer Engineering, College of Engineering, University of Tehran, Tehran, Iran.
概括
深度学习 (DL) 模型显著提高了脑动脉瘤的检测和预测,超过了人类诊断. DL协助提高了临床医生的准确性和一致性,为患者安全提供了变革性的潜力.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 神经外科和神经病学 神经外科和神经病学
背景情况:
- 大脑动脉瘤具有极大的风险,特别是当它破裂时,需要早期检测.
- 传统的诊断方法往往缺乏敏感性和一致性.
- 深度学习 (DL) 为提高诊断性能提供了一个有希望的途径.
研究的目的:
- 系统地审查和元分析DL模型在检测和预测内动脉瘤方面的表现.
- 将DL模型的性能与临床医生的评估进行比较.
- 评估DL协助对临床医生的敏感性,特异性和评价者间协议的影响.
主要方法:
- 对评估动脉瘤检测DL模型的研究进行系统审查和元分析.
- 包括成像方式:CT血管学 (CTA),数字减去血管学 (DSA) 和MR血管学 (TOF-MRA).
- 分析病变的敏感性,特异性和临床医生的表现,有或没有DL协助;根据动脉瘤大小/位置进行子组分析;使用Fleiss' κ.
主要成果:
- 与人类诊断相比,DL系统实现了较高的病变灵敏度 (90%) 和特异性 (94%).
- DL辅助显著提高了临床医生的灵敏度 (82%至88%的病变智能) 和特异性 (93%至95%的病变智能).
- DL实现了对动脉瘤>10mm的100%灵敏度和改善的间隔器协议 (Fleiss' κ从0.668到0.862).
结论:
- 通过提高准确性和减少错误诊断,DL模型显示了脑动脉瘤管理的变革潜力.
- DL系统可以有效地支持神经血管诊断中的临床决策.
- 在不同的环境中进一步验证和工作流集成对于广泛采用DL至关重要.
