在大血管封闭的延长时间窗口血栓切除术后预测心脏病发作的结果,使用知识引导的深度学习

科学领域:

• 神经成像是一种神经成像.
• 人工智能在医学中的应用
• 脑卒中神经学 脑卒中神经学

背景情况:

• 准确预测最终心脏病发作量对于急性缺血性中风 (AIS) 患者接受机械血栓切除术 (MT) 的治疗计划至关重要,特别是在延长的时间窗口内.
• 深度学习模型有可能通过使用前MT脑 perfusion 数据来提高心脏病预测的准确性.
• 结合先前的医学知识可以提高这些深度学习模型的性能.

研究的目的:

• 开发和评估深度学习模型,用于预测急性缺血性中风患者的机械血栓切除术后心脏病发作量.
• 评估将各种先前医学知识来源整合到深度学习模型中的影响,以提高心脏病预测准确度.
• 为了比较不同深度学习架构的性能,包括基线模型和包含附带流,心脏病发作概率和动脉领土映射的模型.

主要方法:

• 一项回顾性研究包括221名AIS患者,他们在症状发作后6小时内接受了MT,使用了MT前CT输液数据.
• 开发了五种基于Swin变压器的模型:基线网,抵押流网,心脏病概率网,动脉领土网和统一网 (结合所有知识来源).
• 模型的性能使用子系数和交叉点与结合点 (IoU) 来量化,MT后扩散权重成像作为基准真相.

主要成果:

• 统一网模型整合了所有先前的知识,以0.82的子系数和0.71.71的IOU实现了最高的性能.
• 结合医疗知识的模型显著超过了基线网络 (Dice 0.69,IoU 0.53).
• 具体的知识整合显示了改进:抵押流网 (Dice 0.72, IoU 0.56),心脏病概率网 (Dice 0.74, IoU 0.58),以及动脉领土网 (Dice 0.75, IoU 0.60).

结论:

• 将医学知识整合到深度学习模型中,可以大大提高AIS患者进行延长时间窗口MT的心脏病预测的准确性.
• 统一网络模型利用多个知识来源,在预测心脏病发作的结果方面表现出卓越的表现.
• 这些发现支持使用人工智能增强的预测工具来优化急性缺血性中风的治疗策略.