Key points are not available for this paper at this time.
Nous adoptons l'architecture d'apprentissage profond existante pour faciliter le diagnostic de l'AVC ischémique aigu en détectant automatiquement la localisation des lésions sur des scans cérébraux 3D sans contraste. Nous examinons également la faisabilité des applications du modèle dans le scénario clinique par l'analyse des données. Nous avons collecté rétrospectivement des scans CT 3D sans contraste de 317 patients ayant subi un AVC ischémique aigu à l'Hôpital de l'Université Médicale de Chine. Tous les patients ont subi un scan CT standard de base sans contraste suivi d'une imagerie par diffusion. Nous avons utilisé ces données pour entraîner le modèle existant – SwinUNETR, qui comprend un module d'attention automatique comme encodeur et un décodeur basé sur la convolution. De plus, le logiciel intègre de manière innovante la quantification de l'incertitude pour améliorer la performance du modèle. Dans l'ensemble de test, le modèle IA a prédit le volume des lésions avec un score Dice moyen de 46,7 % par rapport à l'imagerie par diffusion vérifiée par des experts. Le modèle a complété l'analyse sur un scan CT 3D sans contraste en environ 30 s. La différence moyenne entre le volume des lésions segmentées par le modèle (67,11 ml) et le volume des lésions par imagerie par diffusion (35,2 ml) était de 27,09 ml. La corrélation de Pearson du volume des lésions entre la prédiction et la vérité de terrain est de 83,46 %. Nous avons également constaté que notre modèle a une performance supérieure dans les scans CT avec un volume de lésion > 40 ml et un temps écoulé entre le début des symptômes et le CT de 3 h < temps < 24 h. De plus, notre approche a été appliquée au jeu de données publics AISD, ce qui a donné un score Dice de 0,619 lors des tests. Ce modèle pourrait aider à faciliter un diagnostic rapide et précis de l'AVC ischémique aigu dans un cadre clinique d'urgence et des hôpitaux à faibles ressources.
Wang et al. (Jeu,) ont étudié cette question.