多模式深度学习用于预测脑内出血的功能结果,使用3DCT和临床数据
Like Ji1, Fuxing Yang2, Zicheng Xiong3
1School of Software, Henan University, Kaifeng 475004, China.
European journal of radiology
|November 7, 2025
概括
这项研究开发了一种结合3DCT扫描和临床笔记的深度学习模型,以预测患者在脑内出血 (ICH) 后的恢复. 多模式方法显著提高了对功能结果的预测准确性.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 神经学和临床结果研究研究
- 卫生信息学和预测建模
背景情况:
- 脑内出血 (ICH) 在预测患者的功能恢复方面存在重大挑战.
- 准确的早期预测结果对于有效的临床管理和个性化治疗策略至关重要.
- 当前的预测方法通常依赖于有限的数据,需要更全面的方法.
研究的目的:
- 开发和验证一种新的多式联络深度学习框架,用于预测ICH患者90天的功能结果.
- 整合3D计算机断层扫描 (CT) 成像和早期临床文本数据,以提高预测准确度.
- 评估模型的性能与单一模式方法相比,并确保可解释性.
主要方法:
- 一项对来自两个医疗中心的508名ICH患者的回顾性研究.
- 一个多式深度学习模型,通过双流注意力机制集成3D CT功能 (3D CNN) 和临床文本语义 (BioClinicalBERT).
- 使用修改的兰金尺度 (mRS) 评估功能结果;使用Grad-CAM探索模型可解释性.
主要成果:
- 多式模式模型在内部验证中实现了高精度 (0.867) 和AUC (0.899).
- 在外部测试组中,该模型表现出强大的性能,精度为0.821和AUC为0.846.
- 性能明显优于仅以图像为基础的模型 (内部:精度0.696,AUC0.718;外部:精度0.675,AUC0.737).
结论:
- 拟议的框架有效地整合了3DCT成像和临床文本,以准确预测ICH患者的长期功能结果.
- 该模型表现出强大的性能和可解释性,将其定位为一个有价值的早期临床风险分层工具.
- 这种方法有可能在ICH患者护理中推进个性化精准医学.
