文献速递神经头颈介入CT

一种新型深度学习算法在CT扫描中检测颅内出血的准确性与时间效率

Accuracy and time efficiency of a novel deep learning algorithm for Intracranial Hemorrhage detection in CT Scans.
PubMed 文献 · Radiol Med · 2024-08-09

这项回顾性研究评估基于Dense-UNet架构的深度学习算法在502例创伤性脑损伤后非增强头颅CT上检测颅内出血的性能,算法诊断准确率91.24%、敏感度90.37%、特异度94.85%,处理时间15.37秒显著快于放射科医师的277秒,作者认为该算法有潜力辅助放射科医师在急诊场景中评估颅内出血。

要点

  • 算法检测颅内出血的准确率为91.24%,敏感度90.37%,特异度94.85%。
  • 算法区分出血亚型的敏感度93.47%、特异度99.79%、准确率98.54%,识别中线移位的敏感度为100%。
  • 算法处理时间15.37±1.85秒,显著快于放射科医师首次诊断时间277±14秒(p<0.001)。

核心结论

  • 新型深度学习算法对非增强CT上的颅内出血识别与分类具有高诊断准确率,且处理时间短。
  • 该算法有潜力辅助并改善放射科医师在非增强头颅CT中对颅内出血的评估,尤其在需要时间效率的急诊场景中。

研究设计与样本

  • 回顾性研究,纳入2013年1月至2019年12月因创伤性脑损伤行非增强头颅CT的连续病例,最终分析502例。
  • 采用西门子Healthineers原型的Dense-UNet架构深度学习算法,使用层厚4 mm重建的匿名DICOM文件进行分析。
  • 以四名委员会认证放射科医师(CT经验分别为32、9、8、7年)共识判读作为出血有无及类型的参考标准。
  • 所有CT扫描由算法和一名CT经验8年的委员会认证放射科医师独立分析,评估出血有无与类型,并记录两种方法的诊断时间。

关键影像表现/征象

  • 急性出血在非增强CT上表现为较正常脑实质密度高的高密度区,图示出血体积范围为0.632至16.119 ml。
  • 算法识别的假阳性病例中,右顶叶强高密度钙化被误判为脑实质出血。
  • 算法漏诊病例包括左半球颞叶硬膜下出血和右半球额叶蛛网膜下腔出血。

诊断标准与关键数值

  • 算法检测颅内出血的敏感度90.37%(95%CI 87.11–92.88)、特异度94.85%(95%CI 88.50–97.78)、准确率91.24%(95%CI 88.44–93.41)。
  • 算法检测颅内出血的阳性预测值98.65%(95%CI 96.88–99.42)、阴性预测值70.23%(95%CI 61.91–77.39)。
  • 算法区分颅内出血亚型的敏感度93.47%、特异度99.79%、准确率98.54%。
  • 算法各亚型准确率:脑室内出血100%(95%CI 99.27–100)、脑实质出血96.61%(95%CI 94.63–98.02)、硬膜下出血97.41%(95%CI 95.61–98.61)、蛛网膜下腔出血97.61%(95%CI 95.86–98.76)。
  • 算法识别中线移位的准确率100%(95%CI 99.27–100),检测中线移位的敏感度100%。

临床应用与阅片要点

  • 算法处理时间平均15.37秒(范围11.86–18.69秒),放射科医师首次诊断时间277±14秒,算法显著更快(p<0.001)。
  • 算法在全部存在中线移位的病例中成功检测出颅内出血。
  • 作者认为该算法有潜力辅助放射科医师在临床常规中减少漏诊颅内出血并优化报告时间。
  • 作者指出将人工智能整合入临床工作流程前必须进行全面临床验证,且人工智能与使用者专业知识的结合可能是发挥其临床常规价值的关键。

局限性

  • 所有CT扫描均在单中心完成并回顾性分析,可能限制结果在不同情境下的应用。
  • 病例纳入高度选择,仅聚焦创伤性出血评估,排除了与治疗结果或其他既存病变相关的颅内出血患者,未评估非创伤相关颅内出血。
  • 深度神经网络算法独立于患者临床状态或合并症检测非增强CT上的颅内出血,而出血的急性程度也可能与临床或病史数据相关。
全文中译8 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Radiol Med. 2024 Aug 9;129(10):1499–506. doi: 10.1007/s11547-024-01867-y

引言

创伤性脑损伤(TBI)是一种严重的神经系统急症,具有高发病率和死亡率。患者病情恶化在创伤发生后最初几小时内即开始,延迟诊断可降低患者的康复效果[1]。

颅内出血(ICH)是TBI的严重后果,根据解剖位置分为四种不同类型:硬膜外出血(EDH)、硬膜下出血(SDH)、脑实质内出血(IPH)和蛛网膜下腔出血(SAH)。并发症源于出血本身导致的颅内压升高、病灶周围水肿或脑脊液循环受阻所致的脑积水。占位效应的关键影像学指标是中线移位(MSH),常见于ICH患者,且与发病率和死亡率增加密切相关。头部非增强计算机断层扫描(NCCT)是急诊环境中评估TBI的首选检查方式,因其操作简便、普及广泛且成本低廉。在大多数中心,它实际上是头部损伤和急性卒中诊断的标准诊疗手段[2]。其作为血液检测手段的效能显著,能够清晰显示急性出血相较于正常脑实质的高密度。此外,CT扫描还可提供关于中线移位的重要信息,作为患者病情严重程度的指标。

TBI的治疗方案取决于其严重程度和患者的临床状况。医生通常进行临床、神经系统和影像学评估以确定头部损伤的影响。若存在ICH,必须准确、快速地检出,以避免不良临床结局。对于ICH,及时的治疗措施如止血、血压控制、侵入性外科手术和颅内压管理均可能是挽救生命的措施[3, 4]。

各领域已实施临床流程以缩短诊断时间和治疗时间[5]。在此背景下,用于检测ICH的快速自动化扫描评估可能发挥关键作用。由于临床数据的常规存储,大型影像数据集正变得易于获取,它们可能为科学测试和深度学习算法的开发提供丰富的来源。这些算法构成了人工智能(AI)的基础,并在不同医学领域持续取得进展。特别是,AI已展现出通过机器学习(ML)在数秒内评估CT扫描的潜力[6]。

作为影像学专家,放射科医师被要求通过理解和监测AI应用的有效性,承担起认可AI应用的责任并做出贡献[7]。

在此背景下,本研究旨在探讨一种用于检测ICH和脑中线移位(MLS)的新型深度神经网络算法的处理时间和诊断性能。

材料与方法

机构审查委员会已豁免知情同意的要求(编号19–236)。进入我院中心急诊科患者的匿名化头部NCCT扫描图像从我院机构数据库中回顾性检索。

研究设计

在这项回顾性研究中,纳入了2013年1月至2019年12月期间因创伤性脑损伤(TBI)后接受非增强计算机断层扫描(NCCT)的连续患者扫描。所有NCCT扫描均在两台不同的CT扫描仪(CT Somatom Force和CT Somatom Definition AS,Siemens Healthineers,Forchheim,德国)上完成。所有检查均采用本机构标准化的头颅NCCT成像方案。采用专用的迭代降噪算法(ADMIRE)重建了两组层厚分别为1 mm和4 mm的图像数据集。

排除标准为存在伪影(n:31)、因既往疾病(如脑转移瘤)导致的脑出血(n:63)以及手术治疗(即开颅术)。排除标准的存在由一位在CT成像方面具有8年经验的委员会认证放射科医师(CB)核实。图1显示了患者筛选流程图。

颅内出血(ICH)的存在、类型和位置以及中线移位(MLS)的存在由四位分别在CT成像方面具有32年、9年、8年和7年经验的委员会认证放射科医师(TJV、CB、SM、LG)在共识会议中分别检查并报告,以建立参考标准。值得注意的是,他们被有意保持对患者临床状态不知情,以维持参考标准的完整性。

随后,一位在CT成像方面具有8年经验的委员会认证放射科医师(TD)被要求确定所有CT扫描中ICH的存在和类型,以及MLS的存在。此外,记录了该放射科医师的阅片时间。

因此,将层厚4 mm重建的匿名化DICOM文件导出并发送至Siemens Healthineers总部进行算法分析。该算法仅提供出血存在与否的信息,未进一步分析出血亚型。假阳性病例由该放射科医师审核,并根据解剖位置对误识别的出血进行分类。

参与本研究的所有放射科医师均属于同一紧密协作的团队和科室。

图1 显示本研究患者纳入和排除标准的流程图。TBI:创伤性脑损伤;NCCT:非增强计算机断层扫描;ICH:颅内出血 查看原图 ↗

深度神经网络算法

本研究评估的算法由Siemens Healthineers(Forchheim,德国)开发[8]。一种称为3D U-Net的用于生物医学图像体积分割的深度学习方法是该方案的基础。该算法可从稀疏标注的二维图像中学习,产生三维分割结果,并能够分析NCCT扫描以检测ICH [9, 10]。Zheng等[11]通过开发一种称为Dense-UNet的密集连接卷积网络对该算法进行了改进,该网络在每对卷积层之间引入了额外的拼接层。这种设计允许每一层接收来自所有待处理层的特征图作为输入,并将其特征图传递给所有后续层。因此,无需更大的数据集即可提高分割质量。Siemens Healthineers基于Dense-UNet架构开发了一条用于自动化NCCT处理的人工智能流水线。

在初始化过程中,通过识别解剖结构内的标志点来调整大脑的布局。该流程首先检测大脑中的五个关键解剖标志点(前囟、鸡冠、枕外隆凸、左右眶骨)以估计其方向并减少头部位置变异性[12]。使用经过深度监督和对抗扰动训练的图到图卷积网络提取脑区,排除如颅骨等可能误导检测过程的稳健特征[13]。相应算法基于多尺度的深度强化学习[12]。通过训练具有深度监测和对抗性干扰的图到图分割网络,实现脑提取和显著特征(例如骨骼结构)的排除[14]。在此初始分析阶段之后,使用一组从轴位和冠状面提取特征的深度紧凑神经网络,在病例尺度上检测ICH的发生或不发生[8]。该网络以全长方式训练,在适用的出血掩膜上进行体素级监测,并在总体发生或不发生上进行标记监测。

在本研究中,我们评估了这种新型算法评估ICH存在及MLS潜在存在的能力。

至ICH报告的中位等待时间测量

图像重建、传输至机构图像归档和通信系统(PACS)与首位放射科医师出具结果之间的时间间隔被用于计算标准流程的结果等待时间。

同样,图像传输至深度学习工作站与首次通知检测到ICH(PACS内通知声明“检测到出血/未检测到出血”)之间的时间被视为使用AI算法的新流程的结果等待时间。

统计分析

统计分析使用专用统计软件(Medcalc;MedCalc Software,奥斯坦德,比利时)进行。

在我们对AI算法性能的全面评估中,我们分析了多种指标,包括特异度、灵敏度、阳性和阴性预测值。此外,除阳性和阴性似然比外,还评估了总体准确度。此外,我们系统记录了AI软件和放射科医师的处理时间,并使用非配对t检验进行比较。

P值小于0.05表示差异具有统计学意义。

结果

共分析502例患者(平均年龄:55 ± 12岁;范围23–95岁),包括274例男性(54.58%;平均年龄53 ± 11;范围27–89)和228例女性(45.42%;平均年龄:57 ± 13;范围23–95),这些患者因临床怀疑ICH而接受NCCT扫描。

在该队列中,根据我们的参考标准,共有405例为ICH阳性,患病率为81%。放射科医生进一步将ICH阳性病例分为以下亚型:脑实质内出血(IPH)172例(42%)、脑室内出血(IVH)26例(6%)、蛛网膜下腔出血(SAH)163例(40%)、硬膜下出血(SDH)178例(44%)和硬膜外出血(EDH)15例(4%)(图2)。值得注意的是,115例ICH阳性病例(28%)同时存在多种出血亚型。此外,共有43例患者(11%)因血肿压迫和肿胀而出现中线移位(MLS)。

该算法在366例患者中识别出ICH,总体灵敏度为90.37%(95%-CI:87.11,92.88),特异度为94.85%(95%-CI:88.50,97.78),准确率为91.24%(95%-CI:88.44,93.41)。如表1所示,共有5例假阳性病例。评估的阳性预测值和阴性预测值分别为98.65%(95%-CI:96.88,99.42)和70.23%(95%-CI:61.91,77.39)。

此外,AI模型按ICH亚型的性能显示,该算法对IVH评估的准确率达到100%(95%-CI:99.27,100),而IPH检测的准确率最低(96.61%;95%-CI:94.63,98.02),其次是SDH(97.41%;95%-CI:95.61,98.61)和SAH(97.61%;95%-CI:95.86,98.76)(图3)。此外,AI模型识别MLS的准确率为100%(95%-CI:99.27,100)。表2全面概述了ICH各亚型的发生情况以及AI模型对各亚型的性能。

该算法的处理时间平均值为15.37 s,最快检测时间为11.86 s,最慢为18.69 s。与放射科医生的检测时间相比,该算法显著更快(15.37 ± 1.85 s vs 277 ± 14 s,p < 0.001)。

图2 急性创伤性脑损伤(TBI)中急性颅内出血自动检测的代表性图像。示例包括硬膜下出血(A、B)、对称性脑室内出血(C、D)、蛛网膜下腔出血(E、F)、脑实质内出血(G、H)和硬膜外出血(I、J)。出血表现为大脑不同区域的高密度区,体积范围为0.632至16.119 ml 查看原图 ↗
表1 AI检测颅内出血的性能值汇总 查看原表 ↗
图3 AI模型的假阴性预测:A 左半球颞叶漏诊的硬膜下出血以橙色圆圈标记。B 位于右半球额叶的漏诊蛛网膜下腔出血以橙色圆圈标记 查看原图 ↗
表2 ICH亚型发生情况及各亚型AI模型性能 查看原表 ↗

讨论

本研究评估了一种基于NCCT头颅扫描检测颅内出血的深度神经网络算法原型。我们的结果显示其具有较高的诊断性能,总体准确率为91.24%,灵敏度为90.37%,特异度为94.85%,平均处理时间为15.37 s。该算法对我们队列中两种最常见的ICH亚型SDH和IPH的准确率分别达到97.41%和96.61%(患病率分别为44%和42%)。

此前也有研究评估了人工智能(AI)用于检测颅内出血(ICH)的效果。Gruschwitz等[15]使用包含872例CT扫描的回顾性数据集和100例CT扫描的前瞻性数据集评估了一种AI算法的性能。其结果表明,该算法在检测ICH方面具有高灵敏度和特异度,总体准确率达91.0%,处理时间不足30 s。有趣的是,当该软件与人类放射科医师联合使用时,灵敏度提高至100%。此外,Gibson等[8]使用一种AI模型评估了来自10个中心的46,057项检查,结果显示内部中心和外部中心均具有较高性能,准确率分别为97%(灵敏度:92%;特异度:93%)和95%(灵敏度:86%;特异度:93%)。此外,他们还评估了报告周转时间,发现该时间可进一步改善25–27%。

根据科学文献,我们的结果显示出与目前可用的不同AI算法相似的诊断性能参数。此外,我们将深度神经网络算法获得的结果与通过放射科医师评估确定的ICH亚型进行了比较。我们的研究结果显示,该算法在区分ICH亚型方面表现出93.47%的灵敏度和99.79%的特异度。值得注意的是,在识别脑室内出血(IVH)方面表现出最高的准确率。这可以通过IVH相对稳定的位置来解释,因为每个大脑半球均包含侧脑室,侧脑室由C形腔构成,其密度低于正常脑实质。因此,脑室内任何ICH的发生都可能有助于该算法获得良好性能[16, 17]。此外,该层面常见的高密度结构,如脉络丛钙化,由于其位置稳定且对称,可被AI软件轻易识别。

另一方面,脑实质内出血(IPH)的检测获得了最低的准确率。这一结果可能取决于使IPH识别更具挑战性的不同因素。一方面与IPH的随机位置有关,其可能发生于脑实质内任何部位。此外,IPH大小不一可能增加其检测的复杂性[18]。另一个需要考虑的主要方面是脑实质钙化的存在。事实上,由于其在CT图像上的高密度,小钙化灶可能被误判为小出血(图4)。这一问题不仅限于IPH检测,也适用于其他类型的ICH,并且是可能导致假阳性发现的主要挑战之一。

我们的结果显示,与既往研究相比处理时间更快,最长时间低于20 s,平均值为15.37 s,这表明与其他现有原型相比,使用该算法具有潜在优势。

如今,AI技术可用于并应用于医疗实践和放射学常规工作,提高决策任务和医学诊断的效率[19]。此外,新兴AI系统的技术进步可能进一步自动化和增强临床环境中决策任务的效能,如医学评估,尤其考虑到放射科医师的工作量正在持续增加[6, 20, 21]。

在Chien等人[22]进行的一项研究中,评估了一款名为DeepCT的人工智能软件在出血性卒中中的应用。他们的结果证实,人工智能的整合可有效节约成本、缩短急诊科停留时间并加速患者诊疗流程。

然而,过度的工作负荷会对医疗专业人员所能提供的诊断和治疗水平产生负面影响[23]。需要评估的扫描数量不断增加,往往促使放射科医生加快报告速度,导致诊断判读不一致的可能性更高。一项先前的研究表明,将放射科医生的分析时间减半会使不准确的发生率增加16.6%,从而损害患者治疗的有效性和质量。因此,在诊断工作流程中整合人工智能可通过在更短时间内执行常规任务来减轻工作负荷,使医生能够更多地关注需要人工评估的复杂病例并改善患者管理[24]。

毫无疑问,在将任何基于人工智能的应用整合到实际临床工作流程之前,全面的临床验证是必须的。此外,人工智能与使用者专业知识的结合很可能是在临床常规中发挥其价值的关键。

在一项近期的荟萃分析研究[25]中,纳入了29项研究以评估机器学习(ML)算法在平扫CT(NCCT)扫描中检测脑出血(ICH)的诊断准确性。其结果显示人工智能表现良好,汇总敏感度为91.7%、特异度为94.5%,提示其在脑出血检测中具有前景广阔的作用。

在我们的研究中,对这一新型算法的评估显示出高准确性和高速处理能力,这可能转化为对临床医生的支持,使其能够更快地给出答案。事实上,人工智能除了有助于提供准确的诊断外,还可以帮助在紧急情况等高压场景中对有风险的患者进行优先排序,在这些场景中多名患者可能同时需要平扫CT检查。

我们的研究结果显示,深度神经网络算法在所有中线移位(MLS)病例中均成功检测到脑出血,而中线移位代表了由于潜在快速神经功能恶化和需要紧急干预而快速诊断至关重要的典型场景(图5)。

将类似的人工智能模型与放射科医生的专业知识相结合,可能产生协同关联,从而最大限度地提高医学影像的诊断准确性、效率和质量的,使患者护理和结局获益。

然而,本研究存在若干需要解决的局限性。首先,所有CT扫描均在单中心进行并进行了回顾性分析,这可能限制我们的结果在不同情境下的应用。其次,病例入组具有高度选择性,仅聚焦于创伤性出血评估。事实上,与治疗结局或其他既存病变相关的脑出血患者被排除在分析之外。因此,我们未评估与创伤无关的脑出血的评估。最后,深度神经网络算法从平扫CT扫描中检测脑出血独立于患者的临床状态或合并症。此类发现的急迫程度也可能与临床或病史数据相关。

总之,这项初步研究表明,一种新型深度神经网络算法在创伤性脑损伤(TBI)背景下,对非增强CT(NCCT)头颅扫描中的颅内出血(ICH)和中线移位(MLS)评估具有高诊断性能,并兼具时间效率。该算法有潜力在临床常规中辅助放射科医生,从而降低漏诊ICH的可能性并优化报告时间。此外,将其整合到临床工作流程中有望确保准确和优先化的管理,从而实现及时和适当的治疗。

图4 一例假阳性病例示例,类似于右侧半球顶叶的强高密度钙化。右顶叶的钙化被算法错误地解释为脑实质内出血 查看原图 ↗
图5 CT扫描显示存在基底节区出血并伴有相关的中线移位 查看原图 ↗

引用

  1. D'Angelo T, Bucolo GM, Kamareddine T, et al. Accuracy and time efficiency of a novel deep learning algorithm for Intracranial Hemorrhage detection in CT Scans. Radiol Med. 2024. PMID: 39123064. doi:10.1007/s11547-024-01867-y
  2. 全文:PMC11480174(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11480174/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。