多中心的人工智能模型用于3D TOF-MRI中未破裂的内动脉瘤检测和体积细分

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 放射学和神经辐射学
• 生物医学工程 生物医学工程

背景情况:

• 准确检测和细分未破裂的内动脉瘤 (UICA) 对于预防破裂和指导治疗至关重要.
• 现有的方法可能会面临敏感性和特异性的挑战,需要先进的AI解决方案.
• 三维飞行时间磁共振成像 (3D TOF-MRI) 是可视化内血管的一个关键模式.

研究的目的:

• 开发和评估一个开源AI模型,使用nnU-Net框架进行UICA联合检测和细分.
• 为了比较在数据集上训练的模型的性能,包括动脉瘤样差异诊断.
• 评估人工智能模型的性能与人类读者和现有的挑战获胜模型相比.

主要方法:

• 来自多个中心的385个匿名3D TOF-MRI扫描和来自ADAM挑战的113个受试者的回顾性分析.
• 开发四个不同的培训数据集,包括UICA和差异诊断.
• 利用nnU-Net框架开发人工智能模型,并使用灵敏度,假阳性率,DICE分数和规范表面距离来评估性能.

主要成果:

• 开发的AI模型在UICA检测方面实现了高灵敏度 (82-85%) 和低假阳性率 (0.20-0.31),培训数据集之间没有显著差异.
• 主要模型显示了85%的灵敏度和0.23的FP/病例率,超过了ADAM挑战的获胜者 (61%) 和受过ADAM数据训练的nnU-Net (51%).
• 细分性能 (DICE 0.73,NSD 0.84) 与第二个人类阅读器相当.

结论:

• 基于nnU-Net的开源AI模型为UICA在3D TOF-MRI中提供了高灵敏度和细分精度.
• 该模型显示了显著的潜力,以提高未破裂的内动脉瘤的临床诊断和监测.
• 开源模型的可用性有助于进一步的研究和临床整合.