探险:一种探索性深度学习方法,以量化预测脑内出血后的血瘤进展

科学领域:

• 神经学 神经学
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 脑内出血 (ICH) 是一种严重的疾病,具有显著的死亡率和发病率.
• 预测血瘤进展对于有效的患者管理和治疗策略至关重要.

研究的目的:

• 开发和验证一个探索性深度学习方法 (探险) 用于血瘤进展的定量预测.
• 评估EXPEDITION在ICH后预测血液瘤体积变化的准确性.

主要方法:

• 追溯招募患者的初级ICH在基底或丘脑.
• 收集基线非对比CT (NCCT),CT perfusion (CTP) 图像和串行NCCT扫描.
• 从CTP中提取脑静脉血液动力学特征并训练EXPEDITION深度学习模型.

主要成果:

• 该研究包括73名患者 (58名在培训中,15名在测试中).
• 对于测试组,EXPEDITION与参考组相比,血液瘤体积预测的平均差异为-0.96 [-9.64,+7.71] mL.
• 该模型在真实和预测的血瘤体积之间显示出良好的一致性,表明了准确的定量预测.

结论:

• 探险 (Expedition) 是一种探索性深度学习方法,用于定量预测血瘤进展.
• 该方法有望帮助在特定大脑区域的ICH患者的管理中发挥作用.