一种基于深度学习的放射学模型,用于区分由脑静脉血栓形成引起的内血瘤

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 肠膜内血瘤 (IPH) 可能是由各种因素引起的,包括脑静脉血栓症 (CVT).
• 准确的区分对于及时和适当的临床管理至关重要.
• 当前的诊断方法可能是侵入性的或需要对比剂.

研究的目的:

• 开发和验证使用非增强型计算机断层扫描 (NECT) 的深度学习放射学名图 (DLRN),以区分与CVT相关的IPH与其他病因.
• 将DLRN模型的诊断性能与传统的放射学 (Rad) 和深度学习 (DL) 模型进行比较.
• 评估DLRN模型的临床适用性.

主要方法:

• 一组由275名接受NECT的IPH患者组成的队列被追溯分析.
• 患者被分为一个训练组 (192名患者) 和一个外部测试组 (83名患者).
• 深度学习放射学 (DLR) 功能从NECT图像中提取并集成以构建预测模型,包括DLRN模型,包括等医疗变量.

主要成果:

• 与单个Rad和DL模型相比,DLR模型在识别CVT相关的IPH方面表现优异,在外部测试队列中AUC为0.904.
• 在外部测试队列中,DLRN模型将DLR签名与结合,在外部测试队列中达到0.911的AUC,实现了最高的预测准确度.
• 决策曲线分析表明,DLRN模型提高了实际适用性.

结论:

• 基于CT的DLRN模型可以有效地将CVT的二次性IPH与其他原因区分开来.
• DLRN模型提供了一个快速的,非侵入性的诊断工具,没有对比度增强.
• 这种方法有可能改善IPH管理的早期诊断和临床决策.