基于初次CT扫描的深度学习模型用于蛛网膜下腔出血患者死亡率预测的增强
计算机视觉与模式识别
2023-08-28 v1 机器学习
摘要
目的：蛛网膜下腔出血（SAH）具有高发病率和高死亡率。卷积神经网络（CNN）作为一种深度学习形式，能够从影像数据中生成高度准确的预测。我们的目标是通过基于CNN的算法处理初次CT扫描来预测SAH患者的死亡率。方法：对2011至2022年间连续SAH患者队列进行回顾性多中心研究。分析了人口统计学、临床和放射学变量。预处理后的基线CT扫描图像被用作使用AUCMEDI框架训练CNN的输入。我们的模型架构利用DenseNet-121结构，采用迁移学习原理。输出变量为前三个月的死亡率。模型性能通过人工智能方法研究中常规使用的统计参数进行评估。结果：处理了219例患者的图像，其中175例用于CNN的训练与验证，44例用于评估。52%（115/219）的患者为女性，中位年龄为58（SD=13.06）岁。18.5%（39/219）为特发性SAH。死亡率为28.5%（63/219）。该模型仅使用初次CT扫描图像即在预测SAH患者死亡率方面表现出良好准确性（准确率=74%，F1=75%，AUC=82%）。结论：基于AI和CNN的现代图像处理技术使得仅以CT扫描图像作为输入即可高精度预测SAH患者死亡率成为可能。通过纳入更多数据和患者，这些模型可能得到优化，从而在常规临床知识技能之外的任务上实现更好的训练、开发与性能。
引用
@article{arxiv.2308.13373,
title = {Enhanced Mortality Prediction In Patients With Subarachnoid Haemorrhage Using A Deep Learning Model Based On The Initial CT Scan},
author = {Sergio Garcia-Garcia and Santiago Cepeda and Dominik Muller and Alejandra Mosteiro and Ramon Torne and Silvia Agudo and Natalia de la Torre and Ignacio Arrese and Rosario Sarabia},
journal= {arXiv preprint arXiv:2308.13373},
year = {2023}
}