Nat Commun：临床深度学习模型可用于血管造影图像中颅内动脉瘤的检测
作者：xiaozeng 来源：MedSci梅斯 日期：2020-12-08
导读
颅内动脉瘤(IAs)作为一种相对常见的威胁生命的疾病，在一般人群中的患病率为3.2%，在自发性蛛网膜下腔出血(SAH)患者中高达85%。潜在IA的早期诊断既有利于临床治疗，也可以指导脑出血患者的预后。而及时准确地鉴定IAs对于SAH患者的立即干预或手术治疗至关重要。
关键字：
血管造影图像
颅内动脉瘤(IAs)作为一种相对常见的威胁生命的疾病，在一般人群中的患病率为3.2%，在自发性蛛网膜下腔出血(SAH)患者中高达85%。潜在IA的早期诊断既有利于临床治疗，也可以指导脑出血患者的预后。而及时准确地鉴定IAs对于SAH患者的立即干预或手术治疗至关重要。
计算机断层扫描血管造影(CTA)作为一种标准的诊断工具，是检测IAs的一种非侵入性、方便且可靠的方法。然而，CTA的解释非常耗时，且需要专业培训。因此，通过CTA排除IA仍然是一项艰巨且具有挑战性的任务。
该研究中提出的DL模型
在该研究中，研究人员构建了一个特定的基于深度学习的模型，并在1,177个数字减影血管造影术验证的去骨计算机断层扫描血管造影病例中进行了训练。
该模型对于急诊科中疑似IAs患者的临床实践的影响
研究显示，该模型对于图像的质量具有良好的容忍度，且已在不同制造商中进行了测试。连续内外部队列的模拟真实世界研究显示，相比于放射科医生和神经外科专家，该研究可实现更高的患者水平敏感性和病变水平敏感性。
在疑似急性缺血性脑卒中的特殊队列中，研究人员发现能够高度准确的预测99.0%的阴性病例，说明该模型或可有效的减少工作量。相比于临床医生的评估，需要进一步的前瞻性研究来确定该算法模型能否可以改善对患者的护理。
分享：
相关文章
评论
我要跟帖
发表
回复
小鸭梨：
发表
