% 0期刊文章%一个安东尼奥Thanellas %海基Peura %一个托米- Ruokola Mikko Lavinto % %莫伊拉Vieli %塞巴斯蒂安Winklhofer维克多大肠Staartjes % %一个卡罗塞拉%一个Miikka Korja Luca Regli % % T开发和外部验证的学习算法来识别和定位蛛网膜下腔出血CT扫描% D R 10.1212 / WNL 2023%。0000000000201710 % J半岛投注体育官网神经病学% P e1257-e1266 % V 100% N 12% X医学成像的背景和目标,数量有限的深度学习训练算法外部验证,公开发布。我们假设深学习算法可以被训练识别和定位蛛网膜下腔出血(SAH)头部电脑断层扫描(CT)扫描和训练模式时执行令人满意地使用外部和真实数据进行了测试。方法我们用头部CT图像的病人承认赫尔辛基大学医院在2012年和2017年之间。我们手动分割(即。,划定)长官在90头CT扫描和使用分割CT扫描在一起22负(SAH)控制CT扫描在训练一个开源卷积神经网络(U-Net)来识别和定位长官。然后我们测试训练算法的性能通过使用外部数据集(137 SAH和1242控制情况下)中收集2国外也通过创建一个数据集的连续紧急头部CT扫描(8 SAH和511例)控制在5种不同表现在待命时间国内医院2021年9月。我们评估了算法的能力来识别SAH病人通过计算限制电平性能指标,如敏感性和特异性。结果在外部验证组1379例,137例SAH的算法确定了136正确(敏感性99.3%,特异性63.2%)。49064轴头CT片,该算法识别和本地化SAH的2110片1845年长官(敏感性87.4%,特异性95.3%)。519年连续紧急头部CT扫描成像在2021年9月,该算法正确地识别所有8例SAH(敏感性100.0%,特异性75.3%)。限制电平(27167年总轴向片)的敏感性和特异性分别为87.3%和98.8%,分别确定的算法和局部SAH 58 77片的长官。 The performance of the algorithm can be tested on through a web service.Discussion We show that the shared algorithm identifies SAH cases with a high sensitivity and that the slice-level specificity is high. In addition to openly sharing a high-performing deep learning algorithm, our work presents infrequently used approaches in designing, training, testing, and reporting deep learning algorithms developed for medical imaging diagnostics.Classification of Evidence This study provides Class III evidence that a deep learning algorithm correctly identifies the presence of subarachnoid hemorrhage on CT scan.CE=Conformité Européenne; DICOM=Digital Imaging and Communications in Medicine; HUH=Helsinki University Hospital; ICD=International Classification of Diseases; MPR=multiplanar reformatted; NIfTI=Neuroimaging Informatics Technology Initiative; PACS=Picture Archiving and Communication Systems; SAH=subarachnoid hemorrhage; U-Net=neural network %U //www.ebmtp.com/content/neurology/100/12/e1257.full.pdf

map