基于CT的深度学习平台与临床参数相结合,用于预测自发性脑内出血时的不同出院结果
Te-Chang Wu1,2, Mao-Hsiang Chan3, Kuan-Hung Lin4
1Department of Medical Imaging, Chi-Mei Medical Center, Tainan, Taiwan.
概括
结合深度学习和临床数据的新混合模型显著改善了自发性脑内出血 (sICH) 结果的预后预测. 这种方法比预测患者康复和生存的单个模型更准确.
科学领域:
- 神经学 神经学
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 自发性脑内出血 (sICH) 对准确的预后预测构成了重大挑战.
- 现有的模型往往缺乏关于患者结果的有效临床决策所需的精度.
研究的目的:
- 为了比较基于CT的深度学习模型,基于临床变量的机器学习模型和sICH的混合模型的预后准确性.
- 通过各种结果值来评估模型的性能:不良结果 (mRS 3-6),失去独立性 (mRS 4-6),严重残疾或死亡 (mRS 5-6).
主要方法:
- 对1853名sICH患者进行了回顾性分析.
- 开发了一个3D ResNet-50深度学习模型和一个具有19个变量的临床模型.
- 一个混合模型集成成像和临床数据;使用DeLong测试进行性能比较.
主要成果:
- 混合模型在所有结果值中表现出卓越的表现.
- 预测严重残疾/死亡,失去独立性和不良结果的准确率分别为82.6%,79.5%和80.6%.
- 格拉斯哥昏迷尺度 (GCS) 评分和成像模型预测概率是关键预测因素.
结论:
- 结合基于CT的深度学习和临床变量的混合模型为SICH提供了增强的预后预测.
- 这种综合方法显示了改善sICH患者管理中的临床决策的潜力.
- 建议在前性研究中进一步验证.
