Automated triaging of head MRI examinations using convolutional neural networks

要約

頭部磁気共鳴画像法（MRI）検査に対する需要の高まりと、放射線科医の世界的な不足により、世界中で頭部MRIスキャンの報告にかかる時間が増加しています。
多くの神経学的状態では、この遅延により罹患率と死亡率が増加する可能性があります。
自動トリアージツールは、イメージング時に異常を識別し、これらのスキャンのレポートに優先順位を付けることにより、異常な検査のレポート時間を短縮できます。
この作業では、$ \ text {T}_2$加重ヘッドMRIスキャンで臨床的に関連する異常を検出するための畳み込みニューラルネットワークを提示します。
検証済みの神経放射線レポート分類器を使用して、モデルトレーニング用に英国の2つの大きな病院から43,754スキャンのラベル付きデータセットを生成し、
神経放射線科医のチーム。
重要なのは、単一の病院からのスキャンでトレーニングされた場合、モデルは他の病院からのスキャンに一般化された（$ \ Delta $ AUC $ \ leq $ 0.02）。
シミュレーション研究は、私たちのモデルが異常な検査の平均報告時間を28日から14日に、2つの病院で9日から5日に短縮することを示し、臨床トリアージ環境での使用の実現可能性を示しました。

要約(オリジナル)

The growing demand for head magnetic resonance imaging (MRI) examinations, along with a global shortage of radiologists, has led to an increase in the time taken to report head MRI scans around the world. For many neurological conditions, this delay can result in increased morbidity and mortality. An automated triaging tool could reduce reporting times for abnormal examinations by identifying abnormalities at the time of imaging and prioritizing the reporting of these scans. In this work, we present a convolutional neural network for detecting clinically-relevant abnormalities in $\text{T}_2$-weighted head MRI scans. Using a validated neuroradiology report classifier, we generated a labelled dataset of 43,754 scans from two large UK hospitals for model training, and demonstrate accurate classification (area under the receiver operating curve (AUC) = 0.943) on a test set of 800 scans labelled by a team of neuroradiologists. Importantly, when trained on scans from only a single hospital the model generalized to scans from the other hospital ($\Delta$AUC $\leq$ 0.02). A simulation study demonstrated that our model would reduce the mean reporting time for abnormal examinations from 28 days to 14 days and from 9 days to 5 days at the two hospitals, demonstrating feasibility for use in a clinical triage environment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google