可解释的基于CT的深度学习模型,用于预测血液瘤扩张,包括心室内出血增长

科学领域:

• 神经学 神经学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 血液瘤扩张 (HE),包括心室内出血 (IVH) 的增长,严重影响了脑内出血 (ICH) 后的患者结果.
• 准确预测HE对于及时干预和改善ICH病例患者管理至关重要.

研究的目的:

• 开发,验证和解释一个深度学习模型,HENet,用于预测血瘤扩张的三个不同的定义.
• 评估HENet的预测性能与现有的二维模型和医生专业知识相比.

主要方法:

• 一项多中心的回顾性研究,涉及来自三个医院的718名ICH患者.
• 利用CT扫描和临床数据来训练和验证HENet模型来预测修订的血液瘤扩张 (RHE) 定义1和2,以及常规的HE (CHE).
• 采用Grad-CAM技术来实现模型的可解释性.

主要成果:

• 在预测RHE1,RHE2和CHE时,HENet显示了高AUC值.
• 该模型在净重新分类指数和RHE1和RHE2的综合歧视指数方面显著优于医生预测和2D模型.
• 来自Grad-CAM的视觉洞察力有助于理解模型的决策过程.

结论:

• 深度学习模型HENet在预测ICH患者血液瘤扩张方面表现出高准确度.
• 将HENet整合到临床实践中,有可能提高预测准确性和改善患者的治疗结果.
• 人工智能驱动的预测工具可以为管理脑内出血提供宝贵的支持.