开发一种深度学习算法,用于使用非对比CT扫描进行下大脑下出血的病因分类
Lingxu Chen1,2, Xiaochen Wang1,2, Yuanjun Li3
1Department of Radiology, Beijing Tiantan Hospital, Capital Medical University, Beijing, China.
European radiology
|May 17, 2025
概括
一个深度学习模型使用CT扫描精确地区分了动脉瘤下关节出血 (aSAH) 和非动脉瘤SAH. 这种人工智能工具有助于在紧急情况下快速做出临床决策,有可能改善患者的治疗结果.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 神经学 神经学
背景情况:
- 从非动脉瘤性SAH (naSAH) 区分动脉瘤下arachnoid出血 (aSAH) 对于及时治疗至关重要.
- 当前的诊断方法可能缺乏普遍的可访问性或快速应用.
- 非对比计算断层扫描 (NCCT) 是一种广泛可用的成像方式.
研究的目的:
- 开发和验证一种深度学习算法,用于使用NCCT扫描来分类SAH病因.
- 评估深度学习模型在区分aSAH和naSAH方面的诊断性能.
- 为了比较模型的表现与初级放射科医生的表现.
主要方法:
- 对618名SAH患者进行了回顾性研究.
- 使用U-Net++架构进行出血细分,然后使用基于ResNet的深度学习模型进行分类.
- 数据集被分为培训/内部验证 (533例) 和外部测试 (85例) 队列.
主要成果:
- 深度学习模型在内部 (AUC:0.948) 和外部 (AUC:0.914) 验证队列中都实现了高精度.
- 内部验证显示灵敏度为0.898,特异性为0.877,准确度为0.889.
- 外部验证显示灵敏度为0.891,特异性为0.880,精度为0.887,表现优于初级放射科医生.
结论:
- 深度学习架构可以从NCCT扫描中准确识别SAH病因.
- 该模型的性能支持在紧急情况下快速准确的临床决策.
- 对NCCT扫描的AI驱动分析为手术前SAH诊断提供了成本效益高,非侵入性的解决方案.
