European Radiology：深度学习能否对脑超声图像进行分类，以检测早产儿的脑损伤?

新生儿护理的进步提高了极早产儿(VPI)(< 31孕周)的存活率;然而，脑损伤(包括脑室内出血(IVH)、脑室周围白质软化(PVL)或心室扩张性VD)的发生率仍然很高。脑超声(CUS)是一种广泛应用于早产儿脑损伤的筛查工具，是一种可获得、负担得起和无辐射的方式。众所周知，CUS是一种依赖于操作者的模式，以及所有类型成像中固有的依赖于解释器的可变性。与轻微变化或看似“正常”的扫描相比，评分者在识别严重的CUS异常方面的可变性较低。研究表明，放射科专家之间的可信度令人满意，对重大异常的诊断与MRI吻合良好。然而，当经验不足的医生解释低级别IVH和心室周围回声时，存在显著的差异。这强调了改进超声造影解释以提高诊断精度的必要性。及时、准确地发现和解释CUS的发现对于指导管理决策、咨询家庭和制定后续策略至关重要。

在精准医疗和人工智能(AI)时代，能够提供及时专家评估的计算机辅助检测(CAD)工具的引入成为了一项重要的临床手段。这就提出了一些重要的问题，包括人工智能对CUS研究的潜在贡献、它识别脑损伤的能力，以及它引导医疗保健提供者关注图像中关键观察的能力。

最近，发表在European Radiology杂志上的一篇研究开发了一项深度学习(DL)模型，该模型作为计算机辅助检测工具，将正常与异常的CUS分类并提供及时的扫描解析及评估。

本项研究应用了2004年至2016年在加拿大新斯科舍省出生的极早产儿(220-306周)为基础的人群队列。在三个预先确定的时间(第一周、第六周和足月龄)，在三个特定的冠状地标处检索每个婴儿的一组9个连续的CUS图像。放射科医生手动将每张图像标记为正常或异常。数据集被分成训练/开发/测试子集(80:10:10)。对不同的卷积神经网络进行了测试，过滤了最不确定的预测。模型的性能使用精确率/召回率和曲线下的接收者操作面积进行评估。

538/665名婴儿(占队列的81%)获得顺序CUS。该模型的开发和测试使用了4180张图像。模型性能在开始时只是离散的，但通过不同的机器学习策略被提升到平均0.86 ROC AUC (95% CI: 0.82, 0.90)和0.87 PR AUC (95% CI: 0.84, 0.90)的良好水平(模型不确定性估计滤波器使用归一化熵阈值= 0.5)。

 表 队列中超声图像上确定的各种病理的总结

本研究证明了DL应用于CUS的可行性。该基本诊断模型对正常与异常的CUS具有较好的鉴别能力。这可以作为CAD和构建预测模型的框架。

原文出处：

Tahani Ahmad,Alessandro Guida,Samuel Stewart,et al.Can deep learning classify cerebral ultrasound images for the detection of brain injury in very preterm infants?DOI:10.1007/s00330-024-11028-4