深度学习辅助预测在手术前 - 下关节出血中的水脑:一个多中心研究
Wenrui Han1, Cheng Yang1, Chengli Liu1
1Department of Neurosurgery, Renmin Hospital of Wuhan University, Wuhan, China.
Quantitative imaging in medicine and surgery
|March 12, 2026
概括
一个新的深度学习模型,DeepSH,使用CT扫描准确地预测下arachnoid出血 (SAH) 后的延迟水脑. 这种工具有助于早期检测,并改善患者的治疗结果.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 延迟头症是一种严重的并发症,影响了下大脑下出血 (SAH) 后的预后.
- 早期发现和评估SAH对于患者管理至关重要.
- 要了解SAH患者中延迟水脑病的发展,需要将临床特征与CT成像相关联.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于早期检测和评估SAH.
- 调查临床特征和CT图像之间的相关性,以预测SAH患者的延迟头症.
- 评估开发的DL模型的临床实用性和性能.
主要方法:
- DeepSH模型是使用超分辨率生成对抗网络 (SRGAN) 和图像学模型构建的.
- 该模型在中国三家医院的861名SAH患者的非对比CT (NCCT) 图像上进行了训练.
- 用接收机操作特征 (ROC) 曲线,校准曲线和决策曲线分析 (DCA) 评估模型性能.
主要成果:
- 与支持矢量机 (SVM) 模型相比,DeepSH表现出优异的性能,在内部和外部测试集上的AUC显著改善.
- 该模型显示基于ROC和校准曲线的良好匹配.
- 决策曲线分析 (DCA) 验证了DeepSH的临床实用性.
结论:
- 在从NCCT图像中预测SAH相关的延迟头症 (SAH-H) 方面,DeepSH显著优于传统方法和专家评估.
- 该模型为早期临床决策提供了有价值的工具.
- 使用DeepSH可能会改善SAH后患者的预后.
