美国德克萨斯大学放射科的Marco Colasurdo等针对NCCT影像中检测和量化硬膜下血肿的问题，开发出一种新的卷积神经网络（Viz.ai SDH CNN），结果在线发表于2022年9月的《Journal of Neurosurgery》上。
——摘自文章章节
【REF:Colasurdo, Marco et al. Journal of neurosurgery. 2022; DOI: 10.3171/2022.8.JNS22888】
研究背景 硬膜下血肿（SDH）是临床上常见的疾病，头颅CT平扫（NCCT）是诊断的主要手段。它可以通过血肿大小、脑池消失或中线移位等征象预测颅内压变化，从而决定是否需要积极手术干预。然而阅片这一过程是主观的且受到阅片者经验的影响，因而有潜在的误诊风险。 人工智能和机器学习已应用于临床医学的许多领域，例如在急性卒中检测大血管闭塞（LVO）等。然而，SDH自动化检测和分析系统还没有在临床上得到广泛的使用。因此美国德克萨斯大学放射科的Marco Colasurdo等对此进行研究，旨在报告一种新开发的卷积神经网络（Viz.ai SDH CNN）在NCCT中检测和量化硬膜下血肿的性能，结果在线发表于2022年9月的《Journal of Neurosurgery》上。 本文纳入了2018年7月至2021年4月在德克萨斯大学因头部外伤而进行的连续NCCT资料。在训练集中提取NCCT扫描的每个体素并计算SDH体积、厚度等并建立机器学习模型，主要结果是使用受试者工作特征曲线下面积（AUC）评估在独立验证集中检测SDH的性能，次要结果包括SDH的厚度、体积和中线移位（MLS）的准确性。 验证集中包括263例符合研究标准的NCCT，其中男性135例，平均年龄61±23岁。70例经神经放射学专家确诊为SDH，其中包含慢性SDHs 35例（50%），其余占50%，急性6例（8.6%）、亚急性3例（4.3%），慢性上合并急性SDHs26例（37.1%）。SDH厚度中位值为11 mm（IQR 6 mm）,16例患者中位MLS为5 mm（IQR 2.25 mm）。在独立数据集中，使用Viz.ai SDH CNN这一卷积神经网络在NCCT中检测和量化硬膜下血肿的表现良好，敏感性91.4%（95%CI，82.3%-96.8%），特异性96.4%（95%CI，92.7%-98.5%），准确性95.1%（95%CI9，1.7%-97.3%）； 对SDH厚度大于10 mm的亚组的敏感性为100%。 最大厚度平均绝对误差为2.75mm（95%CI，2.14～3.37mm），MLS平均绝对误差为0.93mm（95%CI，0.55～1.31mm）。自动和手动分割测量之间的Pearson相关系数为0.97（95%CI，0.96-0.98）。 图1. 流程图 图2. 基于SDH体积的受试者工作特征曲线下面积（AUC）大于95%。 图3. 人工和自动体积分割的Pearson相关系数（A）和Bland-Altman图（B）。 图4. （A）双侧SDH的自动化检测和分析，测量了体积和最大厚度。（B）左侧急性SDH、左侧额叶内出血和同侧额顶蛛网膜下腔出血患者的自动化检测和分析。 图5. 中线移位程度的测量在（A）双侧硬膜下血肿，（B）单侧硬膜下血肿，（C）大脑镰SDH的自动化检测和分析，（D）扩大蛛网膜下腔被误诊为SDH，（E）双侧蛛网膜下腔高密度称被误诊为SDH，（F）天幕高密度被误诊为SDH。 使用Viz.ai SDH CNN这一卷积神经网络在NCCT影像上检测和量化SDH的关键特征表现出色，这为使用人工智能和机器学习在神经影像领域的发展奠定了基础。 
关注硬膜下血肿
点击或扫描上方二维码
查看更多“介入”内容
