出版简讯｜应用深度学习开发基于头颅CT平扫图像的早期血肿扩大预测模型

编者荐语：
来源：“SVN俱乐部”微信公众号，扫描文末二维码，更多学术前沿热点资讯即将上线，敬请关注！
以下文章来源于SVN俱乐部 ，作者钟加魏

SVN俱乐部
由中国卒中学会官方英文期刊 Stroke and Vascular Neurology（SVN）编辑部创办，向广大卒中领域同仁推送最新出版简讯、SVN中文解读、期刊投审稿指南、国际卒中领域相关出版资讯等

Deep learning for automatically predicting early haematoma expansion in Chinese patients
Jia-wei Zhong, Yu-jia Jin, Zai-jun Song, Bo Lin, Xiao-hui Lu, Fang Chen, Lu-sha Tong
doi: 10.1136/svn-2020-000647

Stroke＆Vascular Neurology（SVN）最新上线文章“Deep learning for automatically predicting early haematoma expansion in Chinese patients”,来自浙江大学医学院附属第二医院童璐莎团队。
早期血肿扩大是预测脑出血（Intracerebral haemorrhage, ICH）患者预后的关键因素之一。既往研究已提出多种基于CT平扫的预测血肿扩大的影像征象和评分，其中包括我们耳熟能详的“blend sign”、“black hole”、“BAT评分”等，然而这些征象多存在敏感度不足的问题。本研究旨在通过应用深度学习开发基于头颅CT平扫图像的血肿扩大预测模型，并验证其预测的准确性。
作者团队回顾性纳入2012年2月～2019年10年间符合入组标准的266例自发性幕上脑出血患者，其中，2012年2月～2018年8月纳入的患者作训练集，2018年9月～2019年10月纳入的患者作验证集。

研究结果显示，符合入组标准的266例患者中，74例（27.8％）发生早期血肿扩大。深度学习模型的C-index为0.80，而与既往的NCCT中的血肿扩大征象（低密度征、黑洞征、密度不均征、液平和不规则形态）相比具有明显优势。另外，深度学习模型的预测性能明显优于基于血肿体积的Logistic模型（0.62; p=0.042）和基于BAT评分的Logistic模型（0.65; p=0.042）。

Figure 3. An illustrative case of the segmentation result: the haematoma segmented by the convolutional neural networks (CNN) model was in green, and the segmentation in the manual method was in red.

研究结论：与传统的NCCT征象和BAT评分Logistic模型、血肿体积Logistic模型相比，深度学习模型在预测脑出血患者早期血肿扩大方面显示出更好的预测能力。
SVN编辑部（中国）
官方网站： (or svn.bmj.com)
Email：csa.svn@chinastroke.net
地址：首都医科大学附属北京天坛医院国家神经系统疾病临床医学研究中心504室
Tel：010-59975024
SVN，期待您的支持与关注！
原标题：《出版简讯｜应用深度学习开发基于头颅CT平扫图像的早期血肿扩大预测模型》
阅读原文