深度学习在未来的多中心研究中使用DWI和FLAIR在4.5小时内识别中风

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 急性缺血性中风需要及时治疗,血栓溶解的资格通常仅限于症状出现后4.5小时内.
• 确定精确的中风发作可能具有挑战性,特别是在诸如唤醒中风等情况下,影响治疗决策.
• 目前对脑卒中发作估计成像的解释可能是可变的.

研究的目的:

• 开发和验证一种深度学习模型,以使用多式核磁共振 (MRI) 准确估计中风发作时间.
• 通过在关键的4.5小时窗口内或超出关键的4.5小时窗口内对中风发作进行分类,改进对有资格进行血栓溶解的患者的鉴定.
• 创建一个强大的AI工具,帮助临床医生管理急性缺血性中风,特别是在不确定的症状发作的情况下.

主要方法:

• 开发一个多式联网Res-U-Net (mRUNet) 模型,集成修改后的U-Net和ResNet-34架构.
• 使用扩散权重成像 (DWI) 和液体减弱倒置恢复 (FLAIR) 的MRI序列从患者扫描在症状发作的24小时内.
• 在内部和两个外部数据集 (单中心和多中心) 上培训和验证mRUNet模型,并与ResNet-34和DenseNet-121进行性能比较.

主要成果:

• 在4.5小时窗口内,mRUNet模型在分类中风发作方面取得了高性能,AUC-ROC值为0.903 (内部),0.910 (外部单中心) 和0.868 (外部多中心).
• 与ResNet-34和DenseNet-121相比,mRUNet在所有评估的数据集中显示出明显优异的性能.
• 该模型在不同患者队列中显示了对4.5小时发病时间窗口的强大和一致的分类能力.

结论:

• 开发的mRUNet深度学习模型使用DWI和FLAIRMRI准确可靠地估计了急性缺血性中风的发病率.
• 这种人工智能工具有可能在临床实践中支持及时和个性化的血栓溶解决策,特别是对于不清楚中风发病的患者.
• 利用多模式MRI数据,mRUNet充当"组织时钟",以加强急性中风管理并改善患者的治疗结果.