一个深度学习模型来检测高分辨率非对比度头部CT上的急性MCA阻塞
David A Fussell1, Jasmine L Lopez1, Peter D Chang1
1From the Department of Radiology (D.A.F., J.L.L., P.D.C.), University of California, Irvine, Irvine, CA, USA.
AJNR. American journal of neuroradiology
|August 8, 2025
概括
一个深度学习模型使用非对比CT扫描 (NCCT) 准确检测急性中脑动脉 (MCA) 阻塞. 这种工具可以帮助识别中风患者进行血栓切除术,特别是在资源有限的环境中.
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:
- 诊断急性缺血性中风严重依赖于先进的成像技术.
- 识别中脑动脉 (MCA) 阻塞对于及时做出治疗决定至关重要.
- 计算机断层扫描血管学 (CTA) 是一种标准的,但资源密集的检测闭塞的方法.
研究的目的:
- 评估深度学习 (DL) 模型的可行性和准确性,以识别急性MCA闭塞.
- 为了确定DL模型是否可以有效地使用高分辨率非对比CT (NCCT) 数据来实现这一目的.
- 评估DL在改善中风分拣和治疗可访问性方面的潜力.
主要方法:
- 一个3D深度学习 (DL) 模型在4,648个回顾性NCCT扫描 (1.0毫米切片厚或更小) 上受过训练.
- 用同一天的CTA来确定MCA血栓的基本真相.
- 该模型进行了每声素血栓细分,以估计急性MCA封闭的可能性.
- 一个独立的测试组1011个NCCT扫描被用于验证.
主要成果:
- DL模型在检测M1段MCA封闭时获得了0.952的AUROC.
- 检测M1段闭塞的准确性为93.6%,灵敏度为90.9%,特异性为93.6%.
- 对于M2段封闭的性能略有下降,AUROC为0.884和93.2%的准确性.
- 该模型在从NCCT数据中识别急性MCA闭塞方面表现出高准确性.
结论:
- 深度学习模型可以使用高分辨率NCCT成像准确检测急性MCA遮.
- 该模型的性能接近CTA的性能,提供了一个潜在的更快,更容易获得的诊断工具.
- 这种DL工具可以通过单独使用NCCT识别血栓切除术候选人来显著帮助中风分离,特别是在资源有限的环境中.
