使用基于用户选择的切片的定位和对称技术在头部CT中自动检测中线转移
Nooriel E Banayan1, Hrithwik Shalu2, Vaios Hatzoglou3
1From the Department of Radiology (N.E.B., V.H., N.S., A.H., Z.Z., J.S.), Memorial Sloan Kettering Cancer Center, New York, New York Banayan1@mskcc.org.
AJNR. American journal of neuroradiology
|August 20, 2025
概括
这项研究开发了一种人工智能 (AI) 模型,用于检测CT扫描中的中线移位 (MLS). 人工智能准确地识别和分层MLS的严重程度,有助于及时的临床干预.
科学领域:
- 医学成像分析
- 放射学中的人工智能
- 神经病理检测
背景情况:
- 中线移位 (MLS) 是一种关键的内移位,通常是由占用空间的病变或创伤性脑损伤引起的.
- 及时发现MLS对于患者的结果至关重要,因为诊断和干预的延迟可能是有害的.
- 现有的方法在评估MLS的严重程度方面面临挑战,特别是当隔膜被擦除时.
研究的目的:
- 开发一种深度学习算法,能够从轻度到重度检测中线变化 (MLS).
- 解决传统方法的局限性,这些方法依赖于透明隔膜,在严重的MLS病例中可能会被抹去.
- 在患者CT扫描中创建一个AI工具以快速准确地识别MLS.
主要方法:
- 使用981名患有不同脑病态的CT扫描.
- 选择单独的CT切片,优先考虑具有可见侧腔室的切片.
- 在400个注释扫描中训练了一个只看一次 (YOLO) 的物体检测模型来识别侧腔室和轴中线.
主要成果:
- 人工智能模型为MLS检测实现了0.79的曲线下的面积 (AUC).
- 在区分MLS的严重程度方面,其敏感度为0.73和特异性为0.72.
- 该模型有效地捕获了中度和严重的MLS,同时将其与轻度和正常病例区分开来.
结论:
- 在CT扫描中成功开发了一种AI模型,可靠地识别侧腔室和大脑中线.
- 该模型准确地识别和分层临床显著的MLS,区分新生病例和非新生病例.
- 这种人工智能工具有潜力成为综合临床系统的基础,以加快紧急病例的审查.
