文摘
背景和目标在医学成像,数量有限的深度学习训练算法外部验证,公开发布。我们假设深学习算法可以被训练识别和定位蛛网膜下腔出血(SAH)头部电脑断层扫描(CT)扫描和训练模式时执行令人满意地使用外部和真实数据进行了测试。
方法我们使用头部CT图像的病人承认赫尔辛基大学医院在2012年和2017年之间。我们手动分割(即。,delineated) SAH on 90 head CT scans and used the segmented CT scans together with 22 negative (no SAH) control CT scans in training an open-source convolutional neural network (U-Net) to identify and localize SAH. We then tested the performance of the trained algorithm by using external data sets (137 SAH and 1,242 control cases) collected in 2 foreign countries and also by creating a data set of consecutive emergency head CT scans (8 SAH and 511 control cases) performed during on-call hours in 5 different domestic hospitals in September 2021. We assessed the algorithm's capability to identify SAH by calculating patient- and slice-level performance metrics, such as sensitivity and specificity.
结果在外部验证组1379例,137例SAH正确的算法确定了136(敏感性99.3%,特异性63.2%)。49064轴头CT片,该算法识别和本地化SAH的2110片1845年长官(敏感性87.4%,特异性95.3%)。519年连续紧急头部CT扫描成像在2021年9月,该算法正确地识别所有8例SAH(敏感性100.0%,特异性75.3%)。限制电平(27167年总轴向片)的敏感性和特异性分别为87.3%和98.8%,分别确定的算法和局部SAH 58 77片的长官。算法的性能可以通过web服务测试。
讨论我们表明,共享算法识别SAH例限制电平的高敏感性和特异性高。除了公开共享一个高性能的深度学习算法,我们的工作介绍不常使用的方法设计、培训、测试和开发医学影像诊断报告深度学习算法。
证据的分类这项研究提供了第三类证据,深入学习算法正确标识上的蛛网膜下腔出血的CT扫描。
术语表
- CE=
- 公司产品;
- DICOM=
- 医学数字成像和通信;
- 哈=
- 赫尔辛基大学医院;
- ICD =
- 国际疾病分类 ;
- MPR=
- 多平面重组;
- NIfTI=
- 神经影像信息学技术创新;
- 政治行动委员会=
- 图像存档和通信系统;
- 长官=
- 蛛网膜下腔出血;
- U-Net=
- 神经网络
脚注
去首页Neurology.org/N为充分披露。资金信息和披露认为作者相关的,如果有的话,年底提供这篇文章。
提交和外部同行评议。处理编辑主编穆美利奴,医学博士,硕士,FAAN。
↵*这些作者的贡献同样这项工作。
编辑、页面549年
类的证据:NPub.org/coe
- 收到了2022年6月9日。
- 接受的最终形式2022年11月7日。
- 版权©2023年作者(年代)。发表的Wolters Kluwer健康,公司代表美国神经病学学会。首页
这是一个开放的分布式根据文章知识共享归属许可4.0 (CC),它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。
