近日,推想医疗联合多家医院与高校(浙大、北大等)合作的论文“Evaluation of A Deep Learning Model For The Detection Of Ischemic Acute Stroke Lesions And Assessment Of ASPECTS On Non- contrast CT Scans: A Multicenter Study”被全球权威的医学影像杂志Insights into imaging发表,Insights into imaging是由欧洲放射学会 (ESR)创立,是临床影像教育及最新研究领域具有领先地位的一本期刊。
同时该篇论文也被RSNA 2022接收并进行现场展示,受到现场参展人员广泛关注,值得一提的是,推想医疗在本次RSNA 2022中有8篇会议摘要被接收,研究覆盖肿瘤、糖尿病、心脑血管等领域。
RSNA 2022:科研论文在现场展示
RSNA 2022:科研论文交流展示
RSNA 2022:推想医疗国际化团队
研发背景:改进急性缺血性卒中诊断
脑卒中是对人类健康的主要威胁之一,是世界上死亡率和致残率高的第三大死因。与磁共振成像(MRI)和CT灌注(CTP)相比,非对比计算机断层扫描(NCCT)具有相对较高的速度、广泛的可及性和成本效益,因此被认为是所有卒中诊断的首选,尤其是在急诊科。NCCT不仅对颅内出血的检测具有很高的敏感性,而且是选择患者进行血管内治疗的广泛使用的工具。Alberta卒中项目早期CT评分(ASPECTS)是一种基于NCCT的早期缺血性变化(EIC)评估的定量评分方法,已在多个随机对照试验(RCT)中用于患者选择和排除。
到目前为止,NCCT-ASPECTS仍然是急诊科早期缺血性分诊和溶栓结果预测最广泛使用的模式。
一些使用人工智能的软件,包括经典机器学习和深度学习,已被设计用于自动化EIC检测和ASPECTS评分。经典的机器学习方法通常使用基于图像灰度的分割和预定义的特征来定义病变。然而,这些方法受到手工制作的纹理图案或几何形状的限制,这些图案或几何形状依赖于数据科学家的专业知识。深度学习(DL)已成为医学成像诊断中的一种强大技术,它可以发现抽象的任务特定特征,并进一步使用这些特征以端到端的方式产生准确的临床解释。DL方法在EIC检测和ASPECTS解释中的应用刚刚兴起,并显示出良好的性能。
然而,NCCT-ASPECTS评分很少有成熟的DL方法,大多数现有研究都是单中心的;此外,他们只关注模型效率的评估,而不是临床紧急情况下的模型性能。因此,DL模型在临床场景中的性能需要进一步研究。
提出用于急性缺血性卒中病变自动检测和ASPECTS评分的深度学习模型
为了解决上述问题,推想提出了一种新颖的用于急性缺血性卒中的病变自动检测和ASPECTS评分的DL模型,并采用了5家医院的急性缺血性卒中患者进行回顾性研究证明该模型在临床辅助中的价值。
推想提出的深度学习模型使用基线CT分割梗塞并自动估计ASPECTS,分别使用骰子相似系数(DSC)和ROC评估分割和ASPECTS评分的模型性能。四名评分者参与了多阅读器和多中心(MRMC)实验,评估在有无模型帮助下完成基于区域的ASPECTS评分对于阅片者的影响。最后,使用敏感性、特异性、解读时间和跨评价者一致性来评价评分者的阅读表现。
在该研究中,1391例患者进行模型开发,85例患者进行外部验证,发病至CT扫描时间为176.4±93.6 min, NIHSS为5 (IQR:2-10)。模型在内部验证集和外部验证集的DSC分别为0.600和0.762,AUC分别为0.876 (CI: 0.846-0.907)和0.729 (CI: 0.679-0.779)。DL模型的辅助将评分者的平均敏感性和特异性分别从0.254 (CI: 0.22-0.26)和0.896 (CI: 0.884-0.907)提高到0.333 (CI: 0.301-0.345)和0.915 (CI, 0.904-0.926)。评分者的平均判读时间由219.0s缩短至175.7s (p=0.035)。与此同时,评分者之间的一致性从0.741增加到0.980。
急性缺血区域自动分割与ASPECTS评分算法总体流程图
基于多阅片者和多中心环境下模型的性能:(a)内部验证集上模型基于区域的ASPECTS(20个区域)的ROC曲线;(b)外部验证集上模型基于区域的ASPECTS的ROC曲线;四个评分者的表现用圆形或三角形表示;(c)是(b)中评分者表现的放大图
这篇论文展示了多阅片者和多中心(MRMC)环境中评估了AI模型的在急性缺血性卒中场景中的临床实用性,为急性缺血性卒中诊断提供了一种可获得性高,准确度好的替代性工具,能够基于非对比计算机断层扫描(NCCT)分割梗塞并自动估计Alberta卒中项目早期CT评分(ASPECTS),可以很好地帮助普通放射科医生,特别是在专业知识和资源有限的医院,并进一步指导缺血性卒中(AIS)治疗决策,有助于对患者及时进行治疗、降低急性恶化的概率、降低由急性缺血卒中带来的疾病负担。
在这个研究项目中,推想以临床需求为导向,高效完成了深度学习技术与建模方案。首先,基于InferScholar科研平台,实现了对5家多中心医院数据质控和标注;其次,通过引入领域知识和集成学习构建了创新的深度学习模型,解决无明显边界的急性缺血卒中缺血区域分割问题,同时实现自动化ASPECTS评分。最后,在多阅读器和多中心(MRMC)环境中充分评估了模型的临床实用性,探究了人工智能对医生的辅助作用和影响,对人工智能技术的临床转化提供了启发意义。
此次论文的发表,也展示了推想产学研结合进行“AI+医疗”的临床转化探索创新成果。推想医疗作为全球领先的人工智能医疗科技企业,一直推动高校、医院、企业各方密切合作,加快技术落地应用。未来,推想将继续坚定地开展医疗创新实践,携手医院、高校等生态各方,在深度和广度上开拓智慧医疗AI应用,服务患者、造福民生。
