在NCCT上人工智能驱动的大型血管封闭的检测:一个多机构研究
Ansaar T Rai1, Abdulrahman Al Halak2, Mohamad Abdalkader3
1From the Rockefeller Neuroscience Institute (A.T.R., A.A.H., D.L.), West Virginia University, Morgantown, West Virginia ansaar.rai@gmail.com.
一种深度学习算法,即Triage Stroke,在针对急性缺血性中风 (AIS) 患者的非对比CT扫描上识别大血管封闭 (LVO) 方面显示出前景. 这种人工智能工具的表现优于放射科医生,有可能改善对时间敏感的中风护理的分类.
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:
- 输液成像是中风患者分组的标准.
- 基于非对比CT (NCCT) 的中风分类是有限的.
- 识别前部循环大血管封闭 (LVO) 对于急性缺血性中风 (AIS) 管理至关重要.
研究的目的:
- 评估"Triage Stroke"深度学习算法的预测能力,用于识别NCCT上的LVO.
- 评估在疑似AIS的患者中算法的性能.
主要方法:
- 一项涉及612名疑似患有AIS的患者的多机构研究.
- 对具有和没有前部循环LVO的平衡队列的分析.
- 由神经放射学家评估的并发CT血管造影 (CTA) 确定的基本事实.
主要成果:
- 在NCCT上,Triage Stroke在LVO检测方面实现了67%的灵敏度和93%的特异性 (AUC为0.8).
- 该算法在LVO检测方面显著优于一般和小专业放射科医生 (P < .001).
- 纳入NIHSS提高了99%的特异性和91%的积极预测值.
结论:
- 选中风证明了基于NCCT的LVO检测的强大预测准确性,超过了放射科医生的性能.
- 该算法,特别是与NIHSS相结合时,可以简化内血管治疗候选人的识别.
- 这项技术在全球资源有限的环境中为中风分拣提供了潜在的好处.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
09:36A Magnetic Resonance Imaging-based Computational Protocol for Analysis of Plaque Morphology and Hemodynamics in Patients with Carotid Artery Stenosis
Published on: August 12, 2025
相关概念视频
Imaging Studies for Cardiovascular System V: CT
Imaging Studies VII: Vascular Imaging
Imaging Studies for Cardiovascular System IV: CMRI
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
