基于深度学习的定量出血CT参数与传统的半定量CT得分进行比较分析,用于预测动脉瘤下arachnoid出血中延迟脑缺血:一个多中心队列研究

科学领域:

• 神经辐射学神经辐射学
• 医学成像分析 医学成像分析
• 人工智能在医学中的应用

背景情况:

• 延迟大脑缺血症 (DCI) 是动脉瘤下arachnoid出血 (aSAH) 中不良结果的主要原因.
• 准确的DCI预测依赖于通过CT评估出血程度,但目前的半定量得分是主观和不准确的.
• 这项研究评估了深度学习 (DL) 用于定量出血评估,以改善DCI预测.

研究的目的:

• 评估基于DL的定量CT参数是否在aSAH后预测DCI时优于传统得分.
• 为了比较DL衍生的出血指标与传统评分方法的预测准确性和临床实用性.

主要方法:

• 使用前性维护的注册表数据库 (*BLIND*研究) 使用后性,前性和外部验证队列.
• 使用3D-UNet深度学习模型量化出血量.
• 执行多变量后勤回归,ROC分析和决策曲线分析 (DCA) 来比较DL参数与DCI预测的传统得分.

主要成果:

• 基于DL的参数与DCI显著相关 (p <0.05) 在所有队列中.
• 与传统分数 (AUC 0.635-0.698) 相比,DL参数显示出更高的预测准确性 (AUC 0.735-0.816).
• 决策曲线分析表明,基于DL的参数具有更大的临床益处.

结论:

• 基于DL的定量出血CT参数为aSAH患者的DCI提供了显著改善的预测准确性和临床益处.
• 与传统的CT分数相比,这些DL指标为DCI风险分层提供了更客观,更精确的方法.
• 基于DL的出血量化有望提高aSAH后的患者管理和结果.