混合跳过连接深度学习模型,以根据NIHSSSS根据扩散权重成像对中风严重程度进行分类
Seunghun Oh1, Hyunsu Jeong1, Yoonjae Cho1
1Medical Science and Engineering, Graduate School of Artificial Intelligence (GSAI), Department of Electrical Engineering, Convergence IT Engineering, Mechanical Engineering and Medical Device Innovation Center, Pohang University of Science and Technology (POSTECH), 77 Cheongam-ro, Nam-gu, Pohang, 37673, Republic of Korea.
Journal of imaging informatics in medicine
|March 6, 2026
概括
这项研究介绍了TRACT-NET,一种人工智能模型,可以使用扩散加权成像 (DWI) 和国家卫生研究院中风量表 (NIHSS) 数据准确预测中风严重程度. TRACT-NET为手动中风评估提供了一个更快,更可靠的替代方案.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 国家卫生研究院中风量表 (NIHSS) 对于中风管理至关重要,但是劳动密集型,容易变化.
- 准确和快速的中风严重程度评估对于及时和有效的治疗决定至关重要.
研究的目的:
- 开发和验证转换器和协调注意网络 (TRACT-NET) 以使用扩散加权成像 (DWI) 和NIHSS得分来预测中风严重程度.
- 评估TRACT-NET的性能与现有分类模型对比,以区分轻微和非轻微的冲击.
主要方法:
- TRACT-NET集成了一个混合残留块与3D坐标注意和自我注意模块,在瓶阶段通过Mamba进行增强.
- 该模型使用273名患者的DWI和NIHSS数据 (AMC数据集) 进行训练和验证,并对1106名患者 (SOOP数据集) 进行外部验证.
- 使用诸如灵敏度,特异性,精度和AUC等指标评估性能,并使用梯度加权类激活映射 (Grad-CAM) 进行区域分析.
主要成果:
- 与两个数据集中的其他模型相比,TRACT-NET在二进制中风严重程度预测方面表现优异.
- 在AMC数据集上,TRACT-NET的准确度为0.8137,AUC为0.8137.
- 在SOOP数据集上,TRACT-NET实现了0.6896的准确度和0.7094的AUC,Grad-CAM突出了临床相关的DWI区域.
结论:
- 在紧急情况下,TRACT-NET显示出作为中风严重程度评估的自动化工具的巨大潜力.
- 该模型分析DWI扫描和NIHSS数据的能力可以帮助临床医生更快,更明智地做出治疗决策.
- 集成先进的人工智能技术,如变压器,注意力机制和状态空间模型,为神经成像分析提供了一个有前途的方向.
