优化深度学习算法检测颅内出血的诊断性能与置信度
回顾性单中心研究纳入2020年4月至2022年4月2960例非增强颅脑CT,评估优化版深度学习算法检测颅内出血的诊断性能。该算法检出颅内出血的敏感度93.6%、特异度96.2%、准确率95.9%、阴性预测值99.2%,并额外检出12例放射科医生初阅漏诊的出血阳性病例;置信度评分60%为有用阈值,AUC由0.797升至0.865(p=0.018)。
要点
- 优化版算法检出颅内出血敏感度93.6%、特异度96.2%、阴性预测值99.2%,并可额外发现12例初阅漏诊病例。
- 置信度评分60%为有用阈值,AUC由0.797升至0.865(p=0.018),低于阈值者判为可疑需人工复核。
- 算法对蛛网膜下腔出血和脑室内出血的亚型敏感度高于放射科医生报告(87.1% vs 78.2%;94.5% vs 71.2%)。
核心结论
- 当前AI算法对颅内出血检测具有高诊断准确率和阴性预测值,将AI分析与放射科医生专业经验结合可能提高整体性能并减少漏诊颅内出血。
研究设计与样本
- 回顾性单中心研究,连续纳入2020年4月至2022年4月在本机构行非增强颅脑CT(含或不含颈椎)的患者,排除18岁以下、6小时内同一患者重复检查及非标准扫描仪(Somatom Force,Siemens Healthineers AG)扫描者,最终纳入2960例CT扫描(来自2486例患者)。
- 对比队列为996例(996/2960,33.6%)既往已由早期原型分析的CT扫描,用于两版算法比较。
- 参考标准为最终书面放射学报告(由放射科住院医师初写、经委员会认证放射科医生审核);当报告与AI预测不一致时,由另一位有6年CT经验的委员会认证放射科医生(P.G.)二次阅片确定最终诊断。
- 扫描参数为120 kVp并采用自动管电压选择和自动管电流调制,以标准软组织核(Hr40)、层厚和间距1.0 mm、迭代重建强度3级(ADMIRE,Siemens)重建,每例约180层图像。
- AI算法基于Dense-U-Net架构的三维神经网络,训练使用约28,000例非增强头部CT序列,来自美国、加拿大和印度的六个临床中心,训练数据中颅内出血阳性比例为35%,层厚1 mm至5 mm,Siemens扫描仪占45%、其他厂商占55%。
关键影像表现/征象
- 扩展原型典型假阳性包括硬化伪影、运动伪影、脑实质钙化和伴瘤周水肿的恶性肿瘤。
诊断标准与关键数值
- 总队列颅内出血患病率10.5%(314/2960),扩展原型检出颅内出血的敏感度93.6%、特异度96.2%、阴性预测值99.2%、准确率95.9%,假阳性101例(3.4%)、假阴性20例(0.7%)。
- 对比队列(n=996)中扩展原型敏感度88.3%、特异度95.1%、准确率94.4%、阴性预测值98.6%;早期原型敏感度77.7%、特异度97.5%、准确率95.5%、阴性预测值97.4%,扩展原型减少8例假阴性并增加11例真阳性。
- 总队列亚型分析中扩展原型对蛛网膜下腔出血敏感度87.1%(176/202),放射科医生为78.2%(158/202);对脑室内出血敏感度94.5%(69/73),放射科医生为71.2%(52/73)。
- 对比队列共同检出的80例中,蛛网膜下腔出血扩展原型敏感度96.2%(50/52)vs 早期原型84.6%(44/52);脑室内出血敏感度由早期原型85.0%升至扩展原型95.0%,阴性预测值由93.3%升至96.8%;脑实质出血扩展原型敏感度92.9%(39/42)vs 早期原型54.8%(23/42)。
- 置信度阈值60%时AUC由总体数据集0.797升至0.865(p=0.018),真阳性由7例增至299例、假阴性由3例减至16例,但按置信度评分低于60%视为可疑的原则需额外2.46%的CT检查接受放射学复核,对应本队列73例扫描。
临床应用与阅片要点
- 作者认为将AI驱动分析与放射科医生专业经验结合可能提高整体性能并减少漏诊颅内出血。
- 作者认为AI作为控制和分诊工具的双重用途可减少放射学工作量,其结果可靠支持标准化检查且诊断质量与放射科医生相当,透明输出可提高临床接受度和整合。
- 置信度评分低于60%的病例被AI视为可疑并标记供人工复核,以确保不确定病例得到人工审核。
局限性
- 原文在讨论其他研究时指出Kiefer等的样本量相对较小(仅432例和52例颅内出血阳性病例),可能限制其结果的普遍性。
- 原文未报告本研究自身的局限性。
全文中译18 节 · 点击展开
引言
颅内出血(ICH)是一种常见疾病,尤其在创伤后患者中,患病率约为10%[1]。已有研究表明,ICH与高达40%的30天发病率和死亡率升高相关,尤其是在诊断延迟或治疗干预推迟的情况下[2]。因此,在急诊环境中准确且即时地诊断ICH对于优化临床工作流程至关重要。头颅计算机断层扫描(cCT)是检测颅内出血(ICH)的首选方法[3]。
在当前医疗背景下,放射科医生面临着每日检查数量的大幅增加。这种增加伴随着每次扫描所产生图像数量的相应增长,导致临床日常工作中工作量不断攀升。然而,放射科医生的数量并未成比例增加[4]。研究表明,值班时间(定义为夜间、周末和节假日)内CT病例显著增加,部分研究报告增幅高达500%[5]。放射科医生的视觉注意力在工作日内逐渐下降,导致临床环境中的诊断准确性显著降低[6]。同时,住院医师的报告质量在整个工作过程中呈下降趋势,提示疲劳影响了诊断表现[7]。全球放射科医生短缺进一步加剧了这些问题,对全球医疗系统构成了重大挑战[8]。
应对这些挑战的一种可能方法是整合部分或完全自动化报告。近年来,这很可能促进了旨在支持诊断过程的人工智能(AI)算法的日益发展和临床测试。在平扫cCT中使用AI工具检测ICH已在众多研究中显示出令人鼓舞的结果[9–13]。在此背景下,放射科医生面临的一个突出挑战是信任问题,因为AI算法通常作为“黑箱”运行,使其决策过程难以理解。因此,建立对AI软件的信心并确保自动化过程的透明度是成功实施到临床工作流程中的必要前提[14]。
本研究以三个总体目标为指导:第一,评估一种优化的、基于深度学习的AI算法在平扫cCT扫描中检测ICH的性能。第二,目的是评估AI与不使用软件支持的传统放射学报告相比的诊断性能,以评价AI辅助报告的潜在益处。第三,分析软件生成的置信度评分,以确定提高诊断质量的最佳截断值。
方法
研究队列
在这项回顾性、单中心研究中,连续纳入2020年4月至2022年4月期间在本机构接受非增强cCT检查(伴或不伴颈椎)的所有患者。排除标准包括年龄小于18岁的患者、同一患者在6小时内重复检查以及未在标准扫描仪(Somatom Force,Siemens Healthineers AG)上进行的扫描。应用这些标准后,共有2960次cCT扫描使用扩展原型纳入分析(总队列)。必须承认,部分患者在此期间接受了重复检查。
996次cCT扫描(996/2960,33.6%)的子组此前已由早期原型分析,作为对照组(比较队列)。书面放射学报告从电子健康记录中导出。
CT扫描方案
所有扫描均使用120 kVp,采用自动管电压选择和自动管电流调制。图像使用标准软组织核(Hr40)、层厚和增量1.0 mm以及迭代重建强度级别3(ADMIRE,Siemens)进行重建。该过程产生每个病例约180层的图像堆栈。
人工智能软件
Siemens Healthineers开发了一种用于检测颅内出血的算法。在本研究中,比较了该算法的两个原型版本:(1)版本1是早期原型,提供ICH及其亚型的整体存在/不存在。早期原型的改进变体产生了产品syngo.CT Brain Hemorrhage VB60。该算法的输出仅限于单幅图像,并附带图形指示,对于ICH阴性扫描显示“处理完成”,对于ICH阳性cCT扫描显示“疑似出血”。(2)版本2包含syngo.CT Brain Hemorrhage VB60的分诊功能,但已扩展以提供额外的原型输出。这些输出包括病例级亚型分类、ICH分割掩模和ICH置信度评分。
两个原型共享相同的算法流程:基于三维(3D)神经网络与Dense-U-Net架构,开发了一套用于自动化平扫头部CT处理的人工智能流程。该过程包括四个不同阶段。首先,对输入数据进行预处理:识别五个主要解剖标志(前囟、鸡冠、枕外隆凸、左右眶骨),并估计沿正中矢状面的脑方向,以尽量减少头部位置的可变性。标志的识别通过训练采用多尺度深度强化学习的人工智能来实现[15]。随后,提取脑组织,并排除可能妨碍检测过程的显著特征(例如颅骨)。为实现这一目标,采用了一种经过深度监督和对抗扰动训练的图像到图像卷积网络[16]。其次,使用一组密集神经网络从轴位和冠状位重建图像中提取特征,以确定是否存在出血。在未怀疑ICH时,算法停止,并给出病例级阴性反应以及空的分割掩膜。在怀疑ICH时,在病例级基础上检测出血亚型。亚型病例级检测的架构与ICH病例级检测相当。最后,对高密度影按其位置进行分割和标注。分割模块由一个神经网络组成,该网络接收预处理后的体积数据,并提供五个解剖区域中急性密度影的存在情况。
检测和分割流程如图1所示。该网络以端到端方式训练,并对ICH及ICH亚型进行病例级和体素级监督,以提供ICH及亚型的整体不存在/存在情况,以及带有亚型标签的分割掩膜。
与原型版本1相比,syngo.CT Brain Hemorrhage VB60的扩展版本(版本2)已通过额外训练病例进行了增强。共使用约28,000个平扫头部CT序列进行训练,数据来源于美国、加拿大和印度的六个临床中心。训练数据的特征如下:ICH阳性受试者比例为35%,男性和女性患者分布均等。层厚范围为1 mm至5 mm,采集使用西门子(45%)和其他制造商(55%)制造的扫描仪完成。
此外,模型版本2除病例级标签外,还使用体素级亚型标注进行训练。每个预测的置信度评分使用两种方法计算[12]:校准分类器评分,反映预测接近决策阈值的程度;以及基于Dempster–Shafer的评分,考虑模型的内部不确定性。这些值随后聚合为范围从0(表示高置信度)到1(表示低置信度)的综合指标。这种方法有助于对病例进行优先级排序并识别不确定的发现。这些值被合并以计算最终置信度评分,范围从50%(低置信度)到100%(完全置信度)。
数据分析与参考标准
参考标准被定义为最终书面放射学报告,该报告最初由放射科住院医师准备,并由委员会认证的放射科医师监督。在报告与AI预测之间存在差异的情况下,由另一位具有6年CT经验的委员会认证放射科医师(P.G.)进行二次评估以建立最终诊断。
总队列
对扩展原型和相应的放射学报告均进行了二分类(ICH存在 vs. 不存在)。在确定为ICH阳性的病例中,分析了自动分类为五种亚型:蛛网膜下腔出血(SAH)、硬膜下出血(SDH)、硬膜外出血(EDH)、脑实质内出血(IPH)和脑室内出血(IVH)。
比较队列
记录早期原型关于(1)ICH存在与否和(2)亚型分类的分类结果,并与放射学报告和扩展原型的相应预测进行比较。由于比较组中EDH病例数量有限(n = 7),该亚型被排除在直接比较之外。
记录扩展原型每个病例的AI预测置信度评分,随后使用从55%到100%、以5%递增的阈值进行分析。进行该分析以确定最佳截断值,使准确度最大化并使新假阳性结果数量最小化。所有置信度评分低于所选阈值的病例被分类为ICH阳性。这确保被AI认为不确定的病例被标记以供人工复核。曲线下面积(AUC)用于评估模型的诊断准确度。此外,通过调整置信水平阈值被分类为可疑的所有阴性病例均以数值方式记录,以衡量人工随访检查所需的额外工作量。
统计分析
统计分析使用专业软件(DATAtab e.U.)进行。有序变量以中位数和四分位距报告,而连续变量以均值和标准差报告。结果使用Wilcoxon检验进行比较。为确定统计显著性,设定α水平为p < 0.05。通过计算标准诊断指标评估AI算法的诊断性能,包括特异度、敏感度、准确度、阳性预测值(PPV)和阴性预测值(NPV)。
这些统计指标用于评估扩展原型在总体队列中检测颅内出血(ICH)的性能,并在对比队列中比较早期原型与扩展原型。采用相同方法评估两组中原型对亚型分类的诊断性能。最初被误分类为ICH阴性的检查被排除在亚型分析之外,因为算法首先确定ICH的存在,仅对确定为ICH阳性的病例进行亚型分析。随后,通过绘制特异性的倒数(x轴)对敏感性(y轴)的关系,使用受试者工作特征(ROC)曲线分析AI算法提供的置信度评分。ROC曲线分析的目的是确定能够提高AI软件诊断性能的最佳置信度阈值,特别是关于ROC曲线下面积(AUC)。评估了从55%到100%、增量为5%的一系列阈值,以确定能够最大化敏感性与特异性之间权衡的最佳截断值。
结果
研究队列
分析共纳入来自2486例患者的2960次cCT扫描。在样本中,1091名参与者为女性(43.9%),1395名为男性(56.1%)。参与者的中位年龄为74岁,四分位距为23岁。对比队列包括901例患者,性别和年龄分布一致。人口统计学数据总结于表1。为确保研究结果的可靠性,所有评估均使用相同的CT图像堆栈,从而减轻患者体型和体位对结果的潜在影响。
ICH检测——总体队列中AI与放射科医师的性能比较
共有314次扫描被分类为ICH阳性,根据作为参考标准的审核放射学报告确定,初始患病率为10.6%。
AI算法准确地将2960例中的294例分类为ICH阳性,将2960例中的2545例分类为ICH阴性。然而,101例被错误分类为阳性(3.4%),20例被错误分类为阴性(0.7%)。本研究结果对应于敏感性93.6%、特异性96.2%、阴性预测值99.2%和总体准确率95.9%。表2概述了扩展原型的诊断性能。如图2所示,AI算法识别了一系列真阳性发现。图3展示了典型假阳性发现的示例。
共有12例ICH阳性病例最初被判读放射科医师遗漏或未记录,但被AI算法正确检测,并在二次审核中确认为真阳性。
ICH检测——比较队列中AI软件原型的比较
996例的比较队列显示出相似的ICH阳性病例发生率,为10.3%(103/996)。
在该队列中,扩展原型正确检测出103例ICH阳性病例中的91例,灵敏度为88.3%,特异度为95.1%,总体准确率为94.4%,阴性预测值为98.6%。相比之下,早期原型检测出103例ICH阳性病例中的80例,灵敏度为77.7%,特异度为97.5%,总体准确率为95.5%,阴性预测值为97.4%。早期原型与扩展原型的比较显示,灵敏度和阴性预测值均有所提高,假阴性结果减少8例,真阳性发现增加11例。两种软件原型的比较结果总结于表3。如图4所示,与初始原型相比,SDH检测的改善明显可见。
亚型分析
总队列
对AI算法分类为真ICH阳性的294例病例中的扩展原型进行了亚型分析。亚组分类结果及相应的诊断指标总结于表4。值得注意的是,与放射科医师的评估相比,扩展原型在两个亚型类别中表现出更优的性能。对于SAH,扩展原型的灵敏度为87.1%,正确识别202例中的176例。相比之下,放射科医师仅检测出158例,灵敏度为78.2%。在IVH的情况下也观察到类似情况,其中扩展原型检测出73例IVH病例中的69例(灵敏度94.5%),而放射科医师识别出52例(灵敏度71.2%)。
比较队列
在对比队列中,扩展原型正确检测出91例ICH阳性病例,而早期原型检测出80例。为确保数据的可比性并避免因病例数不同而可能引入的任何潜在偏倚,亚型分析仅限于两种算法原型均检测出的80例病例。对于SAH,扩展原型通过检测52例中的50例,显示出96.2%的敏感性,而早期原型通过检测52例中的44例,显示出84.6%的敏感性。关于IVH问题,敏感性从初始原型的85.0%提高到扩展原型的95.0%。因此,NPV从初始原型的93.3%提高到扩展原型的96.8%。与初始原型(敏感性93.5%,NPV 94.1%)相比,扩展原型表现出96.8%的更高敏感性和95.5%的NPV。检测IPH能力的显著提高是明显的,扩展原型显示出92.9%的敏感性,其正确识别了42例中的39例。相比之下,初始原型显示出54.8%的敏感性,仅检测出42例中的23例。对比队列中两种软件原型的亚型分析结果见表5。
置信度评分——阈值
ROC曲线分析表明,当建立60%的置信区间阈值时,AUC显著增加。整个数据集的AUC为0.797,而置信度评分>60%的AUC为0.865(p = 0.018;图5)。这一调整将阳性发现的精确度提高了7至299,同时将假阴性发现的数量减少了3至16。然而,根据置信度评分<60%的AI结果被视为可疑的原则,将额外有2.46%的cCT检查需要接受放射学复核,这相当于我们队列中的73次扫描。
讨论
CT上颅内出血(ICH)的及时准确诊断具有很高的临床相关性。在日班和夜班病例量增加和工作负荷增加的情况下保持诊断质量仍然是一项关键挑战。因此,这项回顾性研究的目的是评估基于深度学习的人工智能算法扩展原型在非增强cCT扫描中检测ICH的性能。该研究比较了初始原型与最新算法版本以及常规放射学报告的性能。扩展原型在提高诊断性能方面的有效性得到了证明,其结果与人类读者的结果相当。同样,出血的亚组分类在扩展原型下也得到了增强,与放射科医师的报告相比,实现了更精确的分类。
所检验的人工智能算法的性能与先前记录的用于脑出血(ICH)检测的人工智能应用相似。精确度参数总体上呈现相似范围,并与本研究中人类阅片者获得的结果表现出强相关性。大多数人工智能应用报告颅内出血的灵敏度值超过90.0% [11, 12]。多个研究团队报告了极高的诊断价值。例如,Kiefer等报告灵敏度为98.1%,阴性预测值(NPV)为99.7% [11]。然而,其研究样本量相对较小,仅包含432例和52例ICH阳性病例,可能限制其结果的普适性。Kang等报告了相当的性能,在1370例队列中灵敏度值为98.7%。然而,特异度仅为88.5%,表明其优化方向为检测ICH而非排除ICH,这与所检验算法的预期用途不同 [17]。相比之下,Tommaso等报告了较低的性能,灵敏度为90.4%,特异度为94.9%,NPV为70.2%,提示漏诊比例较高 [18]。
对已识别的颅内出血进行亚型分类的过程仍然是一项具有挑战性的任务。扩展算法对蛛网膜下腔出血(SAH)和脑实质内出血(IPH)分别产生了令人满意的灵敏度(分别为96.2%和92.9%)。然而,其特异度仍有待提高。值得注意的是,其他开发者报告了关于分类准确性的不同结果,这些结果似乎因亚型而异,推测是测试数据集中分布不同的结果 [19–21]。
除了达到与人类放射科医师相当甚至超越其诊断质量之外,人工智能结果的可信度和可解释性对于成功融入临床实践并获得接受尤为重要 [14]。NPV可作为可信度的客观指标:反之,升高的NPV意味着阴性结果确实为阴性的概率增高,从而降低遗漏关键发现的风险。扩展原型的髙NPV(99.2%)凸显了其阴性预测的高可靠性,表明人工智能能够有效预筛病例并以每1000例7例的低假阴性率标记几乎所有显著发现。这一结果提示其在减少工作量方面具有潜力,尤其是在人员配置有限的时期,并有助于优先处理临床相关病例。
扩展原型在总队列中额外检测出12例最初未被放射科医师发现的ICH病例。这凸显了在常规报告过程中同步整合人工智能的有效性。虽然仅在用于预筛以减少报告义务的情况下,这一优势的可持续性仍有讨论空间,但人工智能与放射科医师的协同应用可能增强诊断信心。在解读结果不一致的情况下,这种双重阅片方法有助于批判性分析,并在必要时纠正误判。研究表明,诊断性能在标准工作时间之外往往下降 [22]。此外,Gruschwitz等先前的研究表明,利用人工智能算法有可能加速诊断过程 [13]。
对当前算法的性能评估显示,与初始版本相比,其特异度和总体准确率相对于敏感度和阴性预测值(NPV)呈偏低趋势。鉴于所研究的AI算法主要设计为分诊工具而非确定性诊断系统,在开发阶段有意最大化了敏感度,尤其是NPV。本研究的目标是最小化实际存在颅内出血却被错误归类为正常的患者数量。因此,当前版本的算法提供了优化的NPV(99.2%),但其缺点是不可避免的假阳性率升高,从而导致测得的特异度和总体准确率下降。这是因为其主要目标并非完美的分类模型,而是分诊工作流程中可靠的排除工具。Seyam等人在临床环境中开展的其他类似研究也报告了相似的性能特征,这些研究表明性能数值具有显著相似性,NPV约为97.8%,似乎与相同的 underlying intention 一致[10]。这一相关性已通过荟萃分析得到证实,荟萃分析为该主题的文献提供了定量评估。AI模型已被证明在颅内出血(ICH)的检测和排除中表现出高敏感度和NPV。然而,特异度变化较大,并受算法分诊导向的影响[23]。
此外,为提高AI决策过程的透明度和可追溯性已做出了协同努力。本研究中使用的AI生成两种不同类型的输出:第一,通过彩色叠加层强调所有被识别为出血的区域;第二,AI提供置信度评分,作为其预测确定性的指示。使用颜色编码可视化可实现既省时又有针对性的验证过程,从而确保AI的预测与用户自身解读的一致性。如图3所示,该AI算法已被证明能够检测常见的假阳性,包括运动伪影、线束硬化伪影和钙化。这些伪影也是其他算法中众所周知的误差来源,阅片放射科医师可迅速将其排除[11, 12]。值得注意的是,我们队列中的平均患者年龄(70岁)相对较高,这可能导致了钙化发生率较高,如Saade等人先前所述[24]。另一种相对较新的方法是生成AI置信度评分。根据Gibson等人的研究,准确的AI发现与高置信度评分之间观察到强相关性[12]。因此,可以认为置信度指标可作为可靠性的辅助标准,并且可以设想通过建立阈值来提高诊断准确率。
在许多情况下,将ICH归入特定亚型对于后续处理无关紧要。然而,在某些情况下,需要进一步阐明以确保全面理解。例如,SAH的检测和分类尤为重要,因为非创伤性SAH常与动脉瘤破裂相关,通常需要额外的CT血管造影[25]。这一原则同样适用于非典型脑实质出血,需要进一步检查。准确的亚型分类有可能及时发现此类情况,从而实现及时随访检查。因此,AI与医疗系统的整合有可能提高运营效率、减少不必要的延迟并优化患者转运,从而促进更快速的诊断和治疗。与早期原型相比,扩展原型在五种ICH亚型中的四种上表现出更高的敏感性和NPV,表明亚型判定可能有改善。此外,AI在检测SAH和IVH方面表现出更优的性能,表明较小出血量的检测也可以可靠实现。在SAH检测方面,所研究的算法表现出与另一研究组在临床队列中开发的类似算法相当的性能[12],并且与Seyam等人的算法(敏感性=80.0%)[10]相比表现出更高的敏感性。
局限性
我们的单中心研究采用回顾性设计,涵盖了用于自动化ICH检测的最大数据集之一,共2960例cCT。然而,需要注意的是,本研究并非没有一些局限性。首先,将放射学报告定义为金标准可能引入偏倚,特别是在放射科医师和AI算法均未能检测到ICH的病例中。其次,对不一致发现的二次审阅由一名放射科医师完成,该医师对人工智能和阅片放射科医师的结果均未设盲,这也可能引入判读偏倚。此外,未对有无AI支持的放射学发现的诊断准确性进行确定性评估。这一问题必须在未来研究中加以解决。
本研究的单一厂商性质可能限制研究结果的普适性;然而,迄今为止,所研究的AI工具目前尚未在不同平台上可用。值得注意的是,本研究仅纳入了使用单一扫描仪型号和标准化检查方案获得的CT图像,从而产生了高度同质的测试数据集。虽然这种一致性确保了内部有效性,但也可能导致在更为异质的临床环境中高估模型性能。然而,鉴于这是一项连续入组的全来者研究,患者队列的异质性得到了保证。最后,未评估AI工具整合到临床工作流程中的情况,也未评估其用于预筛ICH阳性病例以及由此可能带来的报告流程加速。
未来方向
为验证我们的结果,需要进行一项涉及来自不同厂商的多台CT系统的前瞻性多中心临床试验,以评估该人工智能(AI)算法在不同临床环境中的普适性和稳健性。同样,其他诊断部位的置信水平适配也必须重新评估。
结论
改进后的AI算法实现了高灵敏度、诊断准确率和阴性预测值。将AI驱动的分析与放射科医师的专业知识相结合,可能改善整体性能,减少颅内出血的漏诊数量,并实现更快、更准确的诊断。
引用
- Tombach F, Krompaß K, Hennes JL, et al. Diagnostic performance and confidence of an optimized deep-learning algorithm for the detection of intracranial hemorrhages. Insights Imaging. 2026. PMID: 41843310. doi:10.1186/s13244-026-02249-w
- 全文:PMC12996585(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12996585/
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。