深度学习驱动的多模式融合模型用于预测中脑动脉动脉瘤破裂风险
Xiufen Jia1, Yongchun Chen1, Kuikui Zheng1
1Department of Radiology, the First Affiliated Hospital of Wenzhou Medical University, Wenzhou, Zhejiang 32500, China (X.J., Y.C., K.Z., C.C., J.L.).
Academic radiology
|July 21, 2025
概括
一个新的深度学习模型,MCANet,使用多式数据准确预测中脑动脉 (MCA) 动脉瘤的破裂风险. 这种工具有助于为未破裂的内动脉瘤做出临床决定,改善患者的护理.
科学领域:
- 神经外科 神经外科
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 未破裂的内动脉瘤对治疗决策构成临床挑战.
- 中脑动脉 (MCA) 动脉瘤是一种常见的类型,需要准确的破裂风险评估.
研究的目的:
- 开发一种多式深度学习模型,用于对MCA动脉瘤中断裂风险进行分层.
- 整合多样化的数据源,以提高动脉瘤破裂的预测.
主要方法:
- 追溯分析578个MCA动脉瘤 (内部队列) 和外部验证.
- 开发MCANet,这是一个深度学习模型,将CT血管图像,放射学,临床和形态数据融合在一起.
- 使用准确度,F1得分,精度和回忆的评估.
主要成果:
- 确定了关键的断裂预测因素:多重动脉瘤,位置,角度,女儿囊和高度宽度比.
- 在内部队列中,MCANet实现了91.38%的准确性,96.33%的灵敏度,90.52%的精度和93.33%的F1得分.
- 该模型在外部验证队列中显示出一致的区分能力.
结论:
- 通过整合多式联络数据,MCANet有效地预测MCA动脉瘤破裂风险.
- 该模型显示了临床实用性,特别是在数据有限的情况下.
- 通过个性化风险评估,有可能完善治疗策略并减少患者的焦虑.
