检索历史 清除

摘要目的为了在一定程度上减少放射科医师在诊断颅内出血时的误诊率，我们利用深度学习的方法，构建卷积神经网络联合递归神经网络(CNN-RNN)的新型3D神经网络模型，并评估其在头部平扫CT中检测颅内出血(ICH)及其五种亚型(脑实质出血，脑室内出血，硬膜下出血，硬膜外出血和蛛网膜下腔出血)的应用价值。<br>　　方法我们的研究属于回顾性研究，通过了伦理委员会的批准，共纳入三家医院2836名(ICH/正常人：1836/1000)受试者的头部平扫CT，共76621个切片。在数据集中保持较高的ICH占比(65％)，以确保有足够的阳性样本，有助于算法的学习过程，并且能够有效评估算法性能。为了提供可训练的数据，使用以下步骤对原始CT图像进行预处理。首先，将所有图像切片重新采样为512×512像素，然后下采样到256×256像素以减少GPU内存使用。考虑到对CT图像查看可能需要不同范围的窗宽与窗位，保留不同组织的细节差异，我们选择了三组不同CT值(Hounsfield单位，HU)范围的窗口来标准化图像：-50-150HU,100-300HU和250-450HU。每张切片的ICH及其五种亚型标注工作由三位高年资的放射科医师分别独立进行，由他们三位最终协商的结果分别作为病例级别和切片级别图像标签的参考标准。其中80％的数据用于模型训练,10％的数据用于模型验证，其余10％用于模型的最终测试。我们提出了一种联合CNN-RNN分类框架，可以灵活地训练病例级别或切片级别标签。将算法模型测试结果与三名放射科规范化培训医师及另一名高年资的放射科主治医师的标注结果进行比较。此外，为了提高模型的可解释性，我们使用Grad-CAM方法在算法中生成粗略的定位图，突出了图像中的异常区域。每个切片上的定位图是使用训练算法生成的，既不影响算法训练过程，也不需要手动勾画出血区域进行监督训练。这种可视化技术也能被放射科医师采用作为回顾性审核的依据。在一定程度上解决了深度学习模型的缺乏透明度及可解释性。<br>　　结果对于2分类任务(预测是否存在颅内出血)，算法在病例级别测试的准确率很高(≥0.98)。对于5分类任务(预测五种颅内出血亚型)，算法在所有亚型上AUC及特异性均＞0.8，其中SAH及EDH两种亚型预测的敏感性显著低于其他三种类型。用Grad-CAM方法生成热图，可以初步定位异常区域，使结果可视化。对于2分类和5分类任务，与放射科医生诊断结果相比，算法的表现不及高年资放射科医生，但与放射科规范化培训学员相比，算法可以在一定程度上纠正误诊病例，并且算法在预测颅内出血时比放射科规范化培训学员的平均表现更好。<br>　　结论研究中提出的算法运行快速而准确，有助于帮助对头部CT经验不足的放射科医师减少初诊的误诊率。在临床实践中，应用这种自动化分类系统，有助于提高放射科医师工作效率，减轻工作压力。