通过使用商业深度学习算法在计算机断层扫描血管学上追溯检测错过的内动脉瘤

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 神经外科 神经外科

背景情况:

• 早期发现内动脉瘤 (IAs) 对于有效的风险分层和管理至关重要.
• 错过的IA可能会导致治疗延迟和不良结果.
• 深度学习算法在提高神经放射学诊断准确度方面表现有前途.

研究的目的:

• 为了确定可能错过内动脉瘤的患者进行随访.
• 评估商业深度学习算法在CT血管学 (CTA) 上检测错过的IA的有效性.
• 在临床环境中评估深度学习算法的性能指标.

主要方法:

• 从成年患者的2615头CTA研究的回顾性分析.
• 使用自然语言处理 (NLP) 的机器学习算法对放射学报告进行分类.
• 采用卷积神经网络 (CNN) 来分析成像数据,神经放射学家对不一致的病例进行审查.

主要成果:

• 深度学习算法标记了34个可疑错过的IA,其中67%被确认为真实阳性.
• 这导致错过的IA检测有20.9%的改善.
• 该算法在检测IA时表现出高灵敏度 (96.36%) 和特异性 (99.56%).

结论:

• 深度学习系统在检测错过的内动脉瘤方面具有重大潜力.
• 虽然主要是小的,但这些错过的动脉瘤可能需要根据临床因素进行进一步的调查.
• 人工智能辅助的CTA审查可以增强神经放射学家在识别关键发现方面的能力.