基于计算断层扫描的脑积聚血肿检测与定位
计算机视觉与模式识别
2025-12-11 v1 机器学习
摘要
背景。脑积聚血肿（SDH）是一种常见的神经外科急症，发病率随年龄增长。迅速准确的识别对于指导及时干预至关重要，但现有自动工具主要关注检测，提供的解释性和空间定位有限。仍需开发透明且性能优异的系统，将多模态临床和影像信息整合以支持实时决策。方法。我们开发了一种多模态深度学习框架，将结构化临床变量、在CT体积上的3D卷积神经网络以及用于SDH检测和定位的基于Transformer增强的2D分割模型相结合。在哈福特医疗中心（2015--2024年）获取的25,315例头CT检查中，其中3,774例（14.9%）包含临床确认的SDH，使用人口学信息、合并症、药物和实验室结果训练表格模型。训练影像模型以检测SDH并生成体素级概率图。采用贪心集成策略结合互补预测器。结果。仅使用临床变量的区分度有限（AUC 0.75）。在CT体积和分割衍生图上训练的卷积模型准确率显著更高（AUC分别为0.922和0.926）。整合所有组件的多模态集成获得最佳整体性能（AUC 0.9407；95% CI, 0.930--0.951），并产生与已知SDH模式一致的解剖学有意义的定位图。解释。该多模态、可解释的框架实现了快速准确的SDH检测和定位，实现了高检测性能，提供透明且解剖学上有依据的输出。集成到放射科工作流程中可简化分流、缩短干预时间并提高SDH管理的一致性。
引用
@article{arxiv.2512.09393,
title = {Detection and Localization of Subdural Hematoma Using Deep Learning on Computed Tomography},
author = {Vasiliki Stoumpou and Rohan Kumar and Bernard Burman and Diego Ojeda and Tapan Mehta and Dimitris Bertsimas},
journal= {arXiv preprint arXiv:2512.09393},
year = {2025}
}