近日,推想医疗与首都医科大学附属北京朝阳医院放射科杨旗教授团队合作的研究论文“Deep Learning Algorithm Enables Cerebral Venous Thrombosis DetectionWith Routine Brain Magnetic Resonance Imaging”发表于美国卒中学会脑血管病领域研究顶级期刊《Stroke》(IF=10.17)。这是人工智能在脑静脉及静脉窦血栓(Cerebral Vein and Sinus Thrombosis,CVST)疾病诊断中的首次应用,阐明了深度学习方法在用于头颅MRI诊断CVST的积极作用,为CVST的智能化诊断提供了新的契机。
《Stroke》杂志也在其官方Twitter上对此项研究进行了报道:
本研究基于推想InferScholar科研平台,实现CVST患者影像信息的快速获取与质控,通过设计应用于临床广泛使用的常规MRI多序列影像的AI算法方案,成功构建CVST常规影像智能诊断模型,并将模型诊断结果与四名不同年资专家的诊断结果进行比较,进一步验证了该模型的诊断效能。因此,该模型的成功构建有助于在临床实践中辅助医生诊断,快速准确筛查CVST患者。
脑静脉及静脉窦血栓常规影像诊断困境
脑静脉及静脉窦血栓(CVST)是相对少见的脑卒中疾病,临床对于疑似CVST的卒中样患者,往往首先进行常规MRI检查,然而由于脑静脉血流流速慢、血栓成分随时间发生变化,MRI上不同序列的诊断敏感性及一致性不高,放射科医生仅靠肉眼识别主观性强,容易导致假阳性、假阴性诊断,造成误诊漏诊,延误CVST患者临床干预治疗。
近年来,随着AI技术的快速发展,构建深度学习模型有助于解决基于影像的诊断难题,因此,本研究基于卷积残差网络,开发设计针对CVST特点的多模式融合模块和多任务学习策略,综合常规MRI中T1WI、T2WI以及FLAIR三种模态序列的影像数据信息,成功构建了多模态多任务模型 (Multi-Sequence Multi-Task Deep Learning algorithm, MSMT-DL)。
构建智能诊断模型,提高MRI对CVST诊断效能
该研究共纳入近400例疑似CVST患者的常规头颅磁共振成像,以两名经验丰富的神经放射领域医生的诊断结果作为金标准,MSMT-DL模型在患者节段水平诊断CVST的诊断敏感性及特异性分别达到了96%、88%,在静脉节段水平诊断CVST的诊断敏感性及特异性分别达到了88%、80%,并且在上矢状窦、直窦、双侧横窦乙状窦这几个静脉节段的诊断敏感性均超过90%。经读片试验比较验证,相比于不同年资放射科医生,MSMT-DL模型在患者水平及节段水平同样具有较高的敏感性及特异性。
基于深度残差网络成功构建CVST智能诊断模型,相比于放射科医生,MSMT-DL模型避免了主观判断影响,通过学习整合MRI上血栓的高维特征,提高常规MRI对于CVST的诊断效能。
基于常规多序列 MRI的深度学习 CVST诊断算法流程值得一提的是,常规头颅 MRI是卒中样患者入院后均需接受的常规检查,本研究中的 AI算法以多序列常规 MRI序列作为输入,具有广泛的临床适用范围。与基于单个序列的 AI算法相比,患者水平的诊断灵敏度提高了 12%-18%,静脉节段水平的诊断灵敏度提高了 9% -20%。该模型实现了CVST的快速准确诊断及位置检测,对于帮助放射科医生准确快速地诊断 CVST患者以及通过常规 MRI定位血栓至关重要,能够快速筛查出高度疑似CVST患者,有助于临床进一步决策并进行针对性干预治疗。
常规MRI+AI,突破传统影像诊断局限性
根据CVST国际诊疗指南,常规MRI是诊断CVST的重要检查,然而其诊断敏感性及特异性存在一定局限性,如何从技术本身入手提高常规MRI诊断效能是突破其诊断局限性的关键,因此,本研究将AI技术与常规MRI相结合,通过针对性高维特征提取,成功提高常规MRI对CVST的诊断效能,使其具有与放射科医生相当甚至略高的诊断准确性,有助于提供快速有效的CVST患者入院筛查方法,最大程度减少入院时误诊漏诊率。
北京朝阳医院放射科团队是由国家杰青、国家优青、青年北京学者杨旗教授带领,长期致力于心脑血管影像学、神经影像学研究,获得二十余项国家重点科研课题,在疾病的影像诊断方面取得多项突破性成果,并被写入国内外指南。此外,在《JACC》、《Advanced Science》、《Stroke》等相关领域顶级期刊发表 SCI文章 120余篇,获得国家发明专利 6项,为脑血管疾病领域的进一步深入研究作出了卓越贡献。
（来源：看头条网）
