基于CT扫描的早期识别非创伤性颅内出血病因的深度学习工具
图像与视频处理
2023-02-03 v1 计算机视觉与模式识别
机器学习
摘要
背景：开发一种基于非增强CT (NCCT) 扫描准确识别急性非创伤性颅内出血 (ICH) 病因的人工智能系统，并研究临床医生在诊断环境中能否从中受益。材料与方法：该深度学习模型使用2011年1月至2018年4月间收集的1868例非创伤性ICH合格NCCT扫描进行开发。我们在2018年4月后收集的两个独立数据集 (TT200和SD98) 上测试该模型。将模型的诊断性能与临床医生性能进行比较。我们进一步设计了一项模拟研究，比较临床医生在有和无深度学习系统增强下的表现。结果：所提出的深度学习系统在TT200数据集上针对动脉瘤的受试者工作曲线下面积为0.986 (95% CI 0.967-1.000)，高血压性出血为0.952 (0.917-0.987)，动静脉畸形 (AVM) 为0.950 (0.860-1.000)，烟雾病 (MMD) 为0.749 (0.586-0.912)，海绵状血管畸形 (CM) 为0.837 (0.704-0.969)，其他病因为0.839 (0.722-0.959)。在90%特异度水平下，我们的模型对动脉瘤和AVM诊断的灵敏度分别为97.1%和90.9%。该模型在独立数据集SD98中也展现出令人印象深刻的泛化能力。临床医生在所提系统增强下对某些出血病因诊断的灵敏度、特异度和准确度均有显著提升。结论：所提出的深度学习算法可成为基于NCCT扫描早期识别出血病因的有效工具，也可为临床医生的分诊和进一步影像检查选择提供更多信息。
引用
@article{arxiv.2302.00953,
title = {Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan},
author = {Meng Zhao and Yifan Hu and Ruixuan Jiang and Yuanli Zhao and Dong Zhang and Yan Zhang and Rong Wang and Yong Cao and Qian Zhang and Yonggang Ma and Jiaxi Li and Shaochen Yu and Wenjie Li and Ran Zhang and Yefeng Zheng and Shuo Wang and Jizong Zhao},
journal= {arXiv preprint arXiv:2302.00953},
year = {2023}
}