CT 스캔에서 외상성 복부 실질 장기 손상의 자동 검출 및 위치 파악을 위한 딥 러닝

초록 전산화 단층 촬영(CT)은 무딘 복부 외상(BAT) 진단을 위해 가장 일반적으로 사용되는 방법이며, 관리 접근 방식에 상당한 영향을 미칩니다. 딥 러닝 모델(DLM)은 임상 실습의 다양한 측면을 향상시키는 데 큰 가능성을 보여 주었습니다. 외상 이미지 평가를 위해 DLM을 사용하는 것에 대한 문헌은 제한적입니다. 본 연구에서는 의료 전문가가 생명을 위협하는 부상을 신속하게 식별할 수 있도록 돕기 위해 실질 장기 손상을 검출하는 DLM을 개발했습니다. 연구는 2008년부터 2017년 사이에 복부 CT 스캔을 받은 단일 외상 센터의 환자를 모집했습니다. 비장, 간 또는 신장 손상을 가진 환자는 실질 장기 손상 그룹으로 분류되었고, 다른 환자는 음성 사례로 간주되었습니다. 외상 센터에서 획득한 이미지만 포함되었습니다. 마지막 해에 획득한 이미지의 하위 집합은 테스트 세트로 지정되었고, 나머지 이미지는 검출 모델을 훈련하고 검증하는 데 사용되었습니다. 각 모델의 성능은 수신자 조작 특성 곡선 아래 영역(AUC), 정확성, 민감도, 특이도, 양성 예측 값 및 음성 예측 값과 같은 메트릭을 사용하여 평가되었습니다. 본 연구는 1302(87%) 스캔을 훈련에 사용하고 194(13%) 스캔에서 테스트하여 모델을 개발했습니다. 비장 손상 모델의 정확성은 0.938, 특이성은 0.952로 나타났습니다. 간 손상 모델의 정확성과 특이성은 각각 0.820과 0.847로 보고되었습니다. 신장 손상 모델은 정확성 0.959, 특이성 0.989를 보였습니다. 우리는 복부 CT 스캔으로 실질 장기 손상을 자동 검출할 수 있는 DLM을 개발했으며, 수용 가능한 진단 정확성을 가지고 있습니다. 이는 임상의의 역할을 대체할 수 없지만, 외상 치료를 위한 치료 결정 과정을 가속화할 잠재적인 도구가 될 것으로 기대할 수 있습니다.