Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan

要約

背景: 非造影 CT (NCCT) スキャンに基づいて急性の非外傷性頭蓋内出血 (ICH) の病因を正確に特定できる人工知能システムを開発し、臨床医が診断環境でその恩恵を受けることができるかどうかを調査すること。
材料と方法: 深層学習モデルは、2011 年 1 月から 2018 年 4 月の間に収集された非外傷性 ICH を含む 1868 の適格な NCCT スキャンで開発されました。2018 年 4 月以降に収集された 2 つの独立したデータセット (TT200 および SD 98) でモデルをテストしました。
パフォーマンスは、臨床医のパフォーマンスと比較されました。
さらに、深層学習システムの拡張がある場合とない場合の臨床医のパフォーマンスを比較するためのシミュレートされた研究を設計しました。
結果: 提案された深層学習システムは、動脈瘤で 0.986 (95% CI 0.967-1.000)、高血圧性出血で 0.952 (0.917-0.987)、動静脈奇形 (AVM) で 0.950 (0.860-1.000) のレシーバー動作曲線下の領域を達成しました。
もやもや病 (MMD) で 0.749 (0.586-0.912)、海綿状奇形 (CM) で 0.837 (0.704-0.969)、TT200 データセットのその他の原因で 0.839 (0.722-0.959)。
90% の特異性レベルを考えると、我々のモデルの感度は、動脈瘤と AVM の診断でそれぞれ 97.1% と 90.9% でした。
このモデルは、独立したデータセット SD98 で印象的な一般化可能性も示しています。
臨床医は、提案されたシステム増強により、特定の出血病因の診断の感度、特異性、および精度を大幅に改善することができます。
結論: 提案された深層学習アルゴリズムは、NCCT スキャンに基づいて出血の病因を早期に特定するための効果的なツールとなる可能性があります。
また、臨床医がトリアージやさらに画像検査を選択するためのより多くの情報を提供することもあります。

要約(オリジナル)

Background: To develop an artificial intelligence system that can accurately identify acute non-traumatic intracranial hemorrhage (ICH) etiology based on non-contrast CT (NCCT) scans and investigate whether clinicians can benefit from it in a diagnostic setting. Materials and Methods: The deep learning model was developed with 1868 eligible NCCT scans with non-traumatic ICH collected between January 2011 and April 2018. We tested the model on two independent datasets (TT200 and SD 98) collected after April 2018. The model’s diagnostic performance was compared with clinicians’s performance. We further designed a simulated study to compare the clinicians’s performance with and without the deep learning system augmentation. Results: The proposed deep learning system achieved area under the receiver operating curve of 0.986 (95% CI 0.967-1.000) on aneurysms, 0.952 (0.917-0.987) on hypertensive hemorrhage, 0.950 (0.860-1.000) on arteriovenous malformation (AVM), 0.749 (0.586-0.912) on Moyamoya disease (MMD), 0.837 (0.704-0.969) on cavernous malformation (CM), and 0.839 (0.722-0.959) on other causes in TT200 dataset. Given a 90% specificity level, the sensitivities of our model were 97.1% and 90.9% for aneurysm and AVM diagnosis, respectively. The model also shows an impressive generalizability in an independent dataset SD98. The clinicians achieve significant improvements in the sensitivity, specificity, and accuracy of diagnoses of certain hemorrhage etiologies with proposed system augmentation. Conclusions: The proposed deep learning algorithms can be an effective tool for early identification of hemorrhage etiologies based on NCCT scans. It may also provide more information for clinicians for triage and further imaging examination selection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google