摘要
背景及目标在医学成像领域，有限数量的经过训练的深度学习算法已经得到外部验证并公开发布。我们假设可以训练深度学习算法在头部计算机断层扫描(CT)扫描中识别和定位蛛网膜下腔出血(SAH)，并且训练后的模型在使用外部和真实数据进行测试时表现令人满意。
方法我们使用了2012年至2017年赫尔辛基大学医院收治的患者的非对比头部CT图像。我们在90个头部CT扫描上手动分割(即圈定)SAH，并使用分割的CT扫描与22个阴性(无SAH)对照CT扫描一起训练开源卷积神经网络(U-Net)来识别和定位SAH。然后，我们通过使用在2个国外收集的外部数据集(137例SAH和1242例对照病例)，并通过创建2021年9月在5家不同的国内医院随叫随到期间进行的连续急诊头部CT扫描数据集(8例SAH和511例对照病例)，测试了训练过的算法的性能。我们通过计算患者和切片级别的性能指标，如敏感性和特异性，评估了算法识别SAH的能力。
结果在1379例外部验证集中，该算法正确识别了137例SAH中的136例(敏感性99.3%，特异性63.2%)。在49064个轴向头部CT切片中，该算法在2110个有蛛网膜下腔出血的切片中识别并定位了1845个蛛网膜下腔出血(敏感性87.4%，特异性95.3%)。在2021年9月519例连续急诊头部CT扫描成像中，该算法正确识别了所有8例SAH病例(敏感性100.0%，特异性75.3%)。切片级别(共27167个轴向切片)的敏感性和特异性分别为87.3%和98.8%，因为该算法在77个SAH切片中识别和定位了58个SAH。算法的性能可以通过web服务进行测试。
讨论我们表明，共享算法识别SAH病例具有高灵敏度和切片级别的特异性。除了公开分享高性能的深度学习算法外，我们的工作还介绍了在设计、训练、测试和报告为医学成像诊断开发的深度学习算法时不常用的方法。
证据分类这项研究提供了III类证据，证明深度学习算法在CT扫描上正确识别蛛网膜下腔出血的存在。
术语表
- CE＝
- 公司产品；
- DICOM＝
- 医学数字成像与通信“，；
- 哈＝
- 赫尔辛基大学医院；
- ICD ＝
- 《国际疾病分类》 ；
- MPR＝
- 多平面重组；
- NIfTI＝
- 神经成像信息技术倡议；
- 政治行动委员会＝
- 图片存档和通信系统；
- 长官＝
- 蛛网膜下腔出血；
- U-Net＝
- 神经网络
脚注
去首页Neurology.org/N全面披露。作者认为相关的资金信息和披露(如果有的话)将在文章末尾提供。
提交并经外部同行评审。处理编辑是总编辑José梅里诺，医学博士，哲学硕士，FAAN。
↵＊这些作者对这项工作做出了同样的贡献。
编辑、页面549
证据类别:NPub.org/coe
- 收到了2022年6月9日。
- 最终接受2022年11月7日。
- 版权所有©2023作者。由Wolters Kluwer健康公司代表美国神经病学学会出版。首页
这是一篇开放获取的文章，根据创作共用署名许可4.0 (CC BY)它允许在任何媒介上不受限制地使用、传播和复制，前提是正确地引用原始作品。
信件:快速在线通信
需求
如果你要上传关于文章的信件:
您必须在六个月内更新您的披露:http://submit.首页neurology.org
您的合著者必须发送一份完整的出版协议表格来首页(对于主要/通讯作者不需要填写以下表格即可)，然后再上传您的评论。
如果你在回复一篇关于你最初撰写的文章的评论:
您(和共同作者)不需要填写表格或检查披露，因为作者表格仍然有效
并适用于信件。
提交规格:
- 文章必须少于200字，参考文献少于5篇。参考文献1必须是你所评论的文章。
- 投稿者不得超过5人。(例外:原作者回复可以包括文章的所有原作者)
- 只可提交发稿日起6个月内发表的文章。
- 不要冗余。在提交之前阅读文章上已经发布的任何评论。
- 提交的意见在发表前须经过编辑和编辑审查。
