用于检测头部CT扫描中关键发现的深度学习算法的开发与验证
摘要
重要性：平扫头部CT扫描是目前头部外伤或中风症状患者初始影像学检查的标准。目的：开发并验证一套深度学习算法，用于从平扫头部CT扫描中自动检测以下关键发现：颅内出血（ICH）及其类型，包括脑实质出血（IPH）、脑室内出血（IVH）、硬膜下出血（SDH）、硬膜外出血（EDH）和蛛网膜下腔出血（SAH），以及颅骨骨折、中线移位和占位效应。设计与环境：我们回顾性收集了一个包含313,318份头部CT扫描及其临床报告的数据集，这些数据来自多个中心。该数据集的一部分（Qure25k数据集）用于验证，其余用于开发算法。此外，从不同中心分两批（B1和B2）收集了一个数据集（CQ500数据集），以对算法进行临床验证。主要结局与测量指标：对于Qure25k和CQ500数据集，分别将原始临床放射学报告和三名独立放射科医师的共识作为金标准。每种发现的受试者工作特征曲线下面积（AUC）主要用于评估算法。结果：Qure25k数据集包含21,095份扫描（平均年龄43.31；42.87%为女性），而CQ500数据集的B1和B2批次分别包含214份（平均年龄43.40；43.92%为女性）和277份（平均年龄51.70；30.31%为女性）扫描。在Qure25k数据集上，算法检测ICH、IPH、IVH、SDH、EDH和SAH的AUC分别为0.9194、0.8977、0.9559、0.9161、0.9288和0.9044。在CQ500数据集上，相应的AUC分别为0.9419、0.9544、0.9310、0.9521、0.9731和0.9574。对于检测颅骨骨折、中线移位和占位效应，Qure25k数据集上的AUC分别为0.9244、0.9276和0.8583，而CQ500数据集上的AUC分别为0.9624、0.9697和0.9216。
引用
@article{arxiv.1803.05854,
title = {Development and Validation of Deep Learning Algorithms for Detection of Critical Findings in Head CT Scans},
author = {Sasank Chilamkurthy and Rohit Ghosh and Swetha Tanamala and Mustafa Biviji and Norbert G. Campeau and Vasantha Kumar Venugopal and Vidur Mahajan and Pooja Rao and Prashant Warier},
journal= {arXiv preprint arXiv:1803.05854},
year = {2018}
}
备注
Improved operating points, updated link to CQ500 dataset: headctstudy.qure.ai/dataset