使用头部CT扫描的深度学习预测严重创伤性脑损伤病人的结果

• 作者: 武文婧（译） 陈康（校）
• 来源期刊: 国际医学放射学杂志
• 年，卷（期）: 2023,（5）
• 所属期刊栏目: 国际期刊连线
• 页码范围: 607
• 页数: 1页
• 语种: 中文
• DOI: 10.19300/j.2022.r0807

摘要

严重创伤性脑损伤（sTBI）后，医生使用长期预测来指导急性临床护理，但难以预测昏迷病人的预后。目的 开发和评估将头部 CT 扫描和临床信息结合的深度学习预后模型，以预测sTBI后的长期结果。资料与方法 这是对2个前瞻性收集的数据库的回顾性分析。模型构建集包括2002年11月—2018年12月来自一家机构的537例病人[平均年龄（40±17）岁；男422例]。将转移学习和课程学习应用于卷积神经网络，使用入院头部CT预测6个月后的死亡率和不良结局(格拉斯哥预后评分1~3分）。将其与临床输入相结合，形成了一个整体融合模型。在2014年2月—2018年4月的TRAIL-TBI研究中，使用独立的内部测试集和来自18个机构的220例sTBI病人[平均年龄(39±17)岁；男166例]对这些模型进行了评估。将模型与国际TBI预后与临床T评分分析任务（IMPACT）模型及3名神经外科医生的预测结果进行比较。以受试者操作特征曲线下面积(AUC）作为主要模型性能指标。结果 融合模型比IMPACT模型预测死亡率的AUC[0.92（95%CI：0.86~0.97）和0.80（95%CI：0.71~0.88）；P<0.001]和预测不良结果的AUC[0.88（95%CI：0.82~0.94）和0.82（95%CI：0.75~0.90）；P=0.04]均更高。对于外部TRACK-TBI检测，没有证据表明任何模型的性能与IMPACT模型有显著差异（AUC， 0.83；95%CI：0.77~0.90）。成像模型（AUC，0.73；95%CI：0.66~0.81；P=0.02）和融合模型（AUC，0.68；95%CI：0.60~0.76；P=0.02）与IMPACT模型相比，表现不佳（AUC， 0.83；95%CI：0.77~0.89）。融合模型的表现超过了神经外科医生的预测。结论 将头部CT和临床信息结合的深度学习模型可用来预测严重创伤性脑损伤后6个月的预后。