基于深度学习的临床决策支持系统用于脑内出血:基于成像的AI驱动的框架,用于自动化血液瘤细分和轨迹规划

科学领域:

• 神经外科 神经外科
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 脑内出血 (ICH) 带来了严重的死亡率和残疾挑战.
• 目前的手术规划方法面临的局限性是由于血液瘤的复杂性和资源差异,特别是在服务不足的地区.
• 迫切需要先进的工具来提高ICH治疗的手术精度和可访问性.

研究的目的:

• 引入基于深度学习的决策支持和计划系统,用于脑内出血 (ICH) 手术.
• 实现手术规划的民主化,减少ICH治疗中操作员的依赖.
• 通过解决血液瘤复杂性和资源限制,提高程序精度.

主要方法:

• 对347名患者 (31,024张CT片) 进行了回顾性分析.
• 该框架使用nnU-Net进行血瘤和骨细分,CT重定位和安全区划分.
• 轨迹优化优先考虑最大限度的血瘤穿越和避免关键结构,使用经过验证的风险分层系统.

主要成果:

• 自动细分实现了临床级准确性 (血瘤子:0.90,头骨子:0.99) 具有强大的interrater可靠性 (ICC:0.91).
• 对于超门性ICH,该系统在80.8%的病例中计划了低风险轨迹,在15.4%的病例中计划了中等风险轨迹.
• 需要重新规划的高风险轨迹仅发生在3.8%的患者身上.

结论:

• 这种由人工智能驱动的系统在 supratentorial ICH 手术规划方面表现出强大的有效性.
• 这种自动化系统可以帮助神经外科医生,特别是那些经验较少或在资源有限的初级医疗保健机构工作的人.
• 需要进一步开发来解决下血瘤问题,但该系统对民主化先进的外科手术规划充满希望.