A Non-contrast Head CT Foundation Model for Comprehensive Neuro-Trauma Triage

要約

AIおよび医療イメージングの最近の進歩は、緊急時のヘッドCT解釈における変革の可能性を提供し、評価時間を短縮し、そのようなスキャンの要求の増加と放射線科医の世界的不足に直面して精度を向上させます。
この研究では、多様な神経外傷所見を高精度と効率で検出するための3Dファンデーションモデルを紹介します。
自動ラベル付けのために大規模な言語モデル（LLM）を使用して、臨界条件のために包括的なマルチラベル注釈を生成しました。
私たちのアプローチには、出血サブタイプのセグメンテーションと脳の解剖学的構造のためのニューラルネットワークの事前供給が含まれていました。これは、マルチモーダル微調整を通じて、前提条件の包括的な神経外傷検出ネットワークに統合されました。
専門家の注釈に対するパフォーマンス評価とCT-CLIPとの比較により、出血や正中線のシフトなどの主要な神経外傷所見にわたる強いトリアージ精度、および脳浮腫や動脈高度などの頻度の低い重大条件が示されました。
神経固有の特徴の統合により、診断機能が大幅に強化され、16の神経外傷条件で平均AUCが0.861を達成しました。
この作業は、医療イメージングの基礎モデルを促進し、緊急放射線科における将来のAIアシスト神経外傷診断のベンチマークとして機能します。

要約(オリジナル)

Recent advancements in AI and medical imaging offer transformative potential in emergency head CT interpretation for reducing assessment times and improving accuracy in the face of an increasing request of such scans and a global shortage in radiologists. This study introduces a 3D foundation model for detecting diverse neuro-trauma findings with high accuracy and efficiency. Using large language models (LLMs) for automatic labeling, we generated comprehensive multi-label annotations for critical conditions. Our approach involved pretraining neural networks for hemorrhage subtype segmentation and brain anatomy parcellation, which were integrated into a pretrained comprehensive neuro-trauma detection network through multimodal fine-tuning. Performance evaluation against expert annotations and comparison with CT-CLIP demonstrated strong triage accuracy across major neuro-trauma findings, such as hemorrhage and midline shift, as well as less frequent critical conditions such as cerebral edema and arterial hyperdensity. The integration of neuro-specific features significantly enhanced diagnostic capabilities, achieving an average AUC of 0.861 for 16 neuro-trauma conditions. This work advances foundation models in medical imaging, serving as a benchmark for future AI-assisted neuro-trauma diagnostics in emergency radiology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google