近日,浙大二院教授童璐莎、高峰团队,联合浙江大学生物仪器与工程学院教授赵立团队,成功开发出一种用于区别急性自发性脑出血的可解释性人工智能(AI)模型。
该模型针对急性脑叶出血发病凶险、病因鉴别困难等问题,仅利用常规头颅CT(非增强),即可从急诊脑出血患者中精准识别出脑静脉系统血栓继发出血,灵敏度达96%。相关成果发表于顶级医学期刊《柳叶刀》子刊《电子临床医学》。脑静脉系统血栓继发出血是由于脑部静脉堵塞-静脉压力增高-静脉破坏出血,具有发病罕见、病情重、死亡率高的特点,一个月内死亡率高达50%。值得注意的是,这种类型的出血的治疗方案与其他类型的脑出血截然相反,需要尽快抗凝或者手术消除静脉内血栓。若误诊或漏诊将会导致不合理的治疗,会危及患者生命。特别是,目前在我国尤其是基层医院,脑静脉系统血栓正确诊断率低。运用常规的诊断方式,比如CT颅内静脉造影、磁共振静脉成像等,在基层医院较难实行,或者因检查复杂而耗时较长,大大增加病情延误的风险。在此背景下,研究团队提出一种仅基于急诊的平扫CT进行判别的AI辅助工具。旨在通过在所有医院都能实现的急诊首要检查,辅助医师快速、准确地识别脑静脉及静脉窦血栓形成继发出血,早期实施精准治疗,提高患者生存率。研究团队整合国内多家三甲医院的头颅CT数据,依托多学科技术力量,构建了针对CVST-ICH的人工智能诊断模型。该模型基于非增强CT影像,训练可解释性深度学习算法,能够快速、准确地识别CVST-ICH,其诊断灵敏度高达96%。该模型还经过三甲医院医生的实战测试,并与来自放射科、神经内科、急诊科的9位不同年资的医生进行了诊断性能比较。结果显示,AI模型的表现显著优于医生的平均水平,在AI模型的辅助下,医生再次诊断的正确率提升约20%。为进一步增强模型可解释性,研究团队采用4种视觉化的AI可解释性方法,揭示了血肿边缘特征在模型决策中的关键作用。这有助于消除医生对于AI辅助决策中“黑箱”性质的疑虑,增强了实际临床应用中的信任度。童璐莎教授表示,开发这一模型的初衷是为响应浙江省医疗“共同富裕”的号召,落实医疗资源均衡化战略,使基层医疗机构能通过最基本的检查实现准确的诊断。为了让该模型能够更便捷地应用于临床,研究团队决定放弃专利申请,将模型完全开源。
特别声明:智慧医疗网转载其他网站内容,出于传递更多信息而非盈利之目的,同时并不代表赞成其观点或证实其描述,内容仅供参考。版权归原作者所有,若有侵权,请联系我们删除。
凡来源注明智慧医疗网的内容为智慧医疗网原创,转载需获授权。