要点
问题可以深上优于图像分类系统检测视网膜出血(RH)头部电脑断层扫描(CT)从婴幼儿虐待性头部外伤(出去)?
发现在这个诊断试验研究与训练、验证和测试在384年218年金球奖RH和地球仪没有RH从301年儿科患者出去,深学习模式识别RHs无法观察到放射科医生具有高敏感性和特异性。因此,RH信息可以万博manbetx平台首页访问深度学习小儿头部CT图像,虽然可能overfit深度学习模型,和报告的性能可能乐观在缺乏外部验证数据集。
意义通过筛查儿童头部CT图像,深度学习模型可以帮助临床医生在校准临床怀疑出去,哪些病人急需fundoscopic考试提供决策支持,并帮助涉及儿童保护机构及时眼科服务时并不容易。
重要性儿童虐待性头部外伤(出去)往往是错过了在医学遇到,和视网膜出血(RH)被认为是强有力的证据出去。虽然头部电脑断层扫描(CT)是获得常规,但是特别大RHs都察觉在CT图像上的孩子。
客观的检查是否深上优于小儿头部CT图像分析可以检测RH。
设计,设定和参与者这个诊断研究包括301例诊断为出去谁接受头部CT和扩张fundoscopic考试在第四纪保健儿童医院。研究评估使用轴向切割深度学习模型从218年分割地球仪RH和384年金球奖没有RH在5月1日,2007年,和2021年3月31日。两个额外的光梯度提升机(GBM)模型进行评估:一个使用人口特点和常见的大脑发现出去,另一个组合深度学习模型的风险预测+相同的人口特征和大脑发现。
主要结果和措施敏感性(回忆),特异性、精度、准确性,F1的分数,曲线下的面积(AUC)为每个模型预测RH的存在与否在地球仪被评估。全球区域的影响深度学习模型预测在凸起的地图可视化。人口的贡献和标准CT特征评估夏普利添加剂的解释。
结果最后研究人群包括301名患者(187例[62.1%]男性;年龄中位数(范围),4.6(0.1 - -35.8)个月)。共有120名患者(39.9%)有RH fundoscopic考试。深度学习模型进行如下:敏感性,79.6%;特异性,79.2%;阳性预测值(精度),68.6%;负面预测值,87.1%;准确性,79.3%;F1分数,73.7%;和AUC, 0.83(95%可信区间,0.75 - -0.91)。 The AUCs were 0.80 (95% CI, 0.69-0.91) for the general light GBM model and 0.86 (95% CI, 0.79-0.93) for the combined light GBM model. Sensitivities of all models were similar, whereas the specificities of the deep learning and combined light GBM models were higher than those of the light GBM model.
结论和意义这个诊断研究的结果表明,深的地球仪上优于图像分析小儿头CTs可以预测RH的存在。潜在的外部验证后,深入学习模型纳入CT图像分析软件可以调整临床怀疑出去并提供决策支持的病人急需fundoscopic考试。
虐待性头部外伤(出去)与婴幼儿死亡率高达25%和40%的幸存者中严重的残疾。1患者出去可以误导历史、现在和一系列的症状,如呕吐和易怒,与常见的儿科疾病重叠。2结果,25%到31%的孩子都出去了,尽管这些孩子被评估在医疗设置。2
头部电脑断层扫描(CT)通常是获得紧急部门排除一系列婴幼儿颅内异常症状。然而,视网膜出血(RHs)关联强烈出去,3目前不能确定在这儿童成像模式,除非他们特别大。RH的识别是一个重要的组成部分,一个出去后评估和考试需要扩张fundoscopic小儿眼科会诊。在许多社区这个附属专业不是现成的。此外,考试是不舒服,需要镇静,这暂时抹杀瞳孔反应的神经状态。4,5因此,尽管ct常规了,扩张fundoscopic考试是预留给那些病人滥用的可能性最高。
深上优于图像分析没有,据我们所知,之前报道了视网膜条件的评价CT,尽管它已经使用CT对颅内出血亚型进行分类6,7甚至预测6个月小儿创伤性脑损伤的结果。8深度学习的潜力为诊断成像出去通过提供预测分析,临床决策支持,之前识别和图像分析。9因为计算机视觉可以分辨特性,是人类视觉检查,否则隐性我们假设深的地球仪上优于分析儿科头上CTs可以预测的存在和缺乏RH。本研究的目的是评估一个可判断的深度学习模型的自动检测RH经常获得儿科CTs。
这个诊断研究是基于单中心回顾性病历。批准的所有程序都是田纳西大学健康科学中心的机构审查委员会,放弃要求鉴定的同意,因为适当的使用图片和儿童获得同意的不切实际呈现在15年的主要照顾者可能改变,因为虐待儿童。研究了透明的报告个人预后和诊断的多变量预测模型(三脚架)报告指南。所有患者数据和变量中使用下面的模型是完全没有缺失值。
我们的研究人口由301年的570名婴幼儿被诊断出患有出去勒Bonheur儿童医院的儿童虐待团队从5月1日,2007年,2021年3月31日。诊断的基础上进行了历史、体格检查、实验室和影像学研究,扩张fundoscopic考试,和其他必要的调查。我们排除病人年龄超过3年(增加一致性在全球规模和发展阶段),从边远中心扫描患者,患者来说,两个地球仪无法检测到,因为扫描质量。扫描的患者有一个拦截参数,不等于0也被排除在外的原因(eFigure 1晚些时候在解释道补充1)。结果标签为每个地球的存在与否,这是表结果的基础上扩张fundoscopic考试对每个病人进行小儿眼科服务。
轴从每个病人的初始CT系列是用于我们的预测模型符合全球分割算法的要求。所有扫描切片厚度5毫米。片有一个矩阵大小为512×512和0.2到0.5毫米的平面分辨率。从一个获得的CT图像扫描仪(东芝)在我们的中心。
隔离地球仪,我们使用一个全球细分模式(MRes-UNET2D)之前由Umapathy et al10成人CTs。其直接应用于CTs导致一些错过和贴错标签(eFigure 8在全球地区补充1)。因此,我们还开发了一种新方法使用计算夹角为矫直CTs地球仪(eFigure 9补充1),它允许系统的裁剪CTs包括错过和排除后续步骤贴错了标签,全球地区。种植也实现了我们的目标致盲颅内的模型结果与RH和减少信息的数量被我们读深学习算法。万博manbetx平台首页最后,我们排除了地区以外的视网膜和玻璃屏蔽Hounsfield单位(胡)值的范围之外−15 - 90。所有包括基线CT扫描有以下参数:拦截,0;窗口中心,40到45;和窗口宽度,−70到80。尽管地球仪被发现在大多数片包含地球仪,偶尔只有1的地球仪被发现在第一和/或最后一块,因为病人定位。因此,片的数量从3到5组成每个各地不同。最终的输出的图像处理步骤(图1)是统一的三维效果图的地球仪。这些效果图被用作我们的深度学习模型的输入。额外的细节上面的步骤eMethods中提供补充1。
全球细分后,我们将地球仪与胡和没有RH确定其分布变化根据CT参数(eFigure 2补充1)。这些参数的分布在最后的研究人群包括在eTable 1补充1。
卷积神经网络(cnn)是最先进的图像分类的模型,因为他们的学习能力重要特征图像在没有人监督。开发我们的深度学习模型,我们使用转移与VGG16学习,这是一个现成的CNN模型pretrained ImageNet。我们使用的体系结构特征提取步骤中,我们添加了一个全球平均池层,致密层有100个神经元,和一个输出层分类的步骤。我们重新训练网络层,捕捉更多特定于任务的功能;冻结了3下卷积模块;和调整顶部2卷积与一组新数据(eFigure 3块补充1)。
我们随机个体三维地球仪的人口分割成培训(60%)、验证(20%),和测试(20%)数据集。进一步完善模型,减少过度拟合,我们增强训练数据集通过应用旋转,水平转变,水平翻转,和扩展现有的数据使用ImageDataGenerator Keras的函数库。hyperparameters后决定模型,如层数、正则化参数和优化器使用验证数据集,我们评估模型的性能测试数据集。性能指标包括精度、灵敏度、特异性(F1分数最大化的验证数据集),精密(阳性预测值),曲线下面积(AUC)。我们完成所有实验在Python中使用Keras库和一个特斯拉V100 (Nvidia Corp .) GPU节点32 RAM。(见eMethods补充1更多解释。)了解哪些地区的地球仪最有影响的结果预测的深度学习CNN模型中,我们创建了凸起(eMethods smoothGrad地图计算的方法补充1)。11- - - - - -13
RH预测患者使用人口特征和颅内病理发现:光梯度提升机模型
看看其他常见颅内发现出去和人口特征可以预测RH 4常见颅内病理结果由放射科医生(硬脑膜下血肿,硬膜外血肿,蛛网膜下腔出血,缺氧缺血性脑损伤)和人口特征的年龄,种族和民族,和性被用作功能。种族和民族分类的病人获得了电子健康记录的种族和社会经济影响评价我们出去的人口以及偏见在我们的模型。分类特征被聚合为数字(百分比),和连续的特征概括为中值(范围)。一个双向P<。05was considered statistically significant for comparing cases and controls. Using these features, we developed a more general light gradient boosting machine (GBM)14模型。光“绿带运动”是一个基于树的整体方法为更高的效率和更好的精度设计与其他常用的机器学习算法。这种方法已被证明比许多其他类型的机器学习模型,如XGBoost。15积极的扫描结果是一个至少1全球RH。沙普利添加剂被用来解释理解每个特性如何影响RH的预测。16
RH使用人口特征预测个人地球仪,颅内病理结果,和深度学习:光GBM模型相结合
我们使用从深度学习获得风险模型预测随着3人口特征和4颅内发现开发组合光GBM模型。性能评估在个体水平的地球仪,和功能预测的相对贡献评估利用夏普利添加剂的解释。
我们最后的研究人群的301名患者(187(62.1%)的男性和114年(37.9%)的女性;156(51.8%)(1.0%)亚洲,黑色,9(3.0%)拉美裔,113(37.5%)白色,和20(6.6%)其他种族),120年(39.9%)RHs 1或两个地球仪fundoscopic考试。其中,98名患者(81.7%)双边。病人的平均年龄是4.6个月(范围0.1 - -35.8个月)。患者的年龄和种族是均匀分布的,没有RH。更RH患者硬膜下血肿(114 vs 108 (95.0%) (59.7%),P<措施),而更多的病人没有RH硬膜外血肿(0 vs 35 (19.3%),P<措施)(表1)。这些差异与之前的报告相一致。17我们的研究人群提供了218金球奖与RH - 384没有RH地球仪。120 RH患者fundoscopic考试,4例(3.3%)曾被报道RH的CTs儿科放射学家。
我们的深度学习模型测试121地球仪,44 (36.4%)RHs和其余77地球仪(63.6%)没有。个人地球仪的模型预测RH的敏感性为79.6%,特异性为79.2%,AUC为0.83 (95% CI, 0.75 - -0.91)。阳性预测值(精密)为68.6%,阴性预测值为87.1%,F1得分是73.7%,准确性为79.3% (eTable 2补充1)。卓越地图表明,模型预测能力不一来自(1)视网膜后的全球存在;(2)的前全球镜头,瞳孔,虹膜存在;和/或(3)midglobe玻璃。这些发现符合RH文献中报道的位置。18,19四个重要区域地图模式突出了特点图2,红色像素表示的部分图片,大多数预测的影响。我们比较胡值的分布在地球仪和RH的地区具有重要影响的预测(梯度≥0.8)。这些地区在胡后全球包含更多的像素值符合血(范围、奖金)在RH低现在和胡锦涛值在0 RH缺失时达到顶峰。相反的是如此有影响力的地区前环球(eFigure 4补充1)。卓越地图中所有样品有无RH eFigures 5和6中提供的测试数据集补充1,分别。
整个研究人口全球规模的中位数是72×73像素。性能最高的增加发生在全球范围内所包含的子群,尺寸大于或等于75×75像素,一个中等大小的79×79像素。这些全球大小与病人年龄;相反,我们认为高采样率允许更多信息包含在这些图像。万博manbetx平台首页的敏感性为92.3%,特异性为83.9%,AUC为0.94 (95% CI, 0.86 - -1.00)在这个群。剩下的地球仪上的性能,平均大小为70×71像素,包括敏感性为74.2%;特异性,78.3%;和AUC, 0.75(95%可信区间,0.63 - -0.87)。在年轻患者年龄在6个月或模型的性能包括灵敏度为84.6%;特异性,80.5%; and AUC, 0.88 (95% CI, 0.79-0.97); whereas the model performance in patients older than 6 months included sensitivity of 72.2%; specificity, 77.8%; and AUC, 0.75 (95% CI, 0.59-0.90). In Black patients, sensitivity was 88.2%; specificity, 79.1%; and AUC, 0.86 (95% CI, 0.73-0.98); whereas in patients of races other than Black, sensitivity was 74.1%; specificity, 79.4%; and AUC, 0.81 (95% CI, 0.69-0.92). Subgroup results are summarized in表2。
视网膜出血预测在CT图像的水平的敏感性为79.2%;特异性,72.2%;精度,65.5%;准确性,75%;F1分数,71.7%;和AUC, 0.80(95%可信区间,0.69 - -0.91)的测试数据集。最重要的临床特征,预测RH硬脑膜下血肿,其次是年龄和种族。RH更高的风险患者硬膜下血肿和缺氧缺血性脑损伤,而这是降低患者硬膜外血肿(eFigure 7补充1)。
视网膜出血预测在地球仪的敏感性为79.6%的水平;特异性,80.5%;精度,70.0%;准确性,80.2%;F1分数,74.5%;和AUC, 0.86(95%可信区间,0.79 - -0.93)的测试数据集。当深学习模型的风险预测作为一个功能的光GBM模型相结合,颅内的发现,以及性别和种族,不再在很大程度上造成了模型输出(eFigure 7 a和B补充1)。
这个诊断研究评估一个可判断的深度学习模型的自动检测RH经常获得小儿头CTs,但是非常大RHs都看不见。我们训练一个模型在地球仪CTs的分割出去的孩子在人视网膜扫描建立了RH在每只眼睛的存在与否。我们的模型能够分类RH的敏感性为79.6%,特异性为79.2%,和AUC为0.83 (95% CI, 0.75 - -0.91),表明RH信息可以在CTs。万博manbetx平台首页这些结果并不基于globe-centric扫描技术;然而,我们的模型表现明显更好的地球仪上占据面积较大的扫描,因为收购更高采样率(AUC = 0.94),提供一个专门的协议的基础。此外,由于RHs通常双边在我们的研究人群(81.7%),我们的深度学习模型可能会表现出更高的性能仍然当应用于CTs因为模型2预测RH的机会。凸起的地图在我们的研究表明,可见视网膜以外的地区似乎很大程度上引发了模型预测在许多情况下。这可能是由于血液玻璃中的元素,包含的信息在遥远的视网膜墙在某些片,或其他明显不明显的玻璃和其他眼部结构的变化。万博manbetx平台首页
这项工作需要的图像分析部分的一系列技术进步。首先,我们适应成人世界分割协议小儿头CTs。第二,我们创建了一个正常化的新颖方法头CT图像的取向,这是一个像原处理步骤可以宝贵的放射科医生对所有CT和磁共振图像与集成到目前现有的软件系统。第三,我们进一步孤立地区感兴趣的独特识别之前,预测成像特性。我们的全球分析方法可能的发展可概括的深度上优于其他眼部疾病的检测,如视网膜母细胞瘤、视网膜脱离和牛眼。
我们的深度学习模型性能可以与RHs被人类专家在不同人群和不同成像模式。在我们出去的孩子,儿科放射学家报道RH头上CTs的敏感性为3.3%。临床医生能够检测Terson综合征(罕见的玻璃,前,或视网膜出血严重的蛛网膜下腔出血)设置的成人头上CTs敏感性为32%至50%,特异性95%至98%。20.- - - - - -22最后,海狸et al23发现磁共振图像阅读神经放射检测灵敏度为61%,特异性100%。值得注意的是,76%的高档出血被检测到,而只有14%的轻度出血,表明出血的严重程度是相关的因素。我们的深度学习模型的敏感性大大超过这个报道(AUC)。
我们不知道之前的报道,使用辅助视网膜图像分析检测条件。深度学习已经被用于检测和分类颅内出血亚型在成人中,然而。通过一组训练数据的000多21 扫描,Burduja et al6能够达到0.40到0.94的敏感性,特异性0.93到0.99,0.90到0.94的auc出血亚型。你们等7训练194扫描分类相同的颅内出血亚型,取得了auc大于0.8和特异性大于0.8,但低敏感性蛛网膜下腔和硬膜外出血为0.69。分类模型的执行与有经验的神经放射。我们对分类性能的存在与否RH训练后我们的模型对180扫描了这些研究的范围在检测条件,通常是肉眼看不见的。
光GBM RH模型预测基于共同CT发现实现类似的敏感性比我们深学习模型,但特异性较低硬脑膜下血肿是最重要的特性影响的预测。当从我们的深度学习风险预测模型添加功能在我们的组合光GBM模型,硬脑膜下血肿造成最低限度的存在。硬脑膜下血肿在出去是最常见的颅内出血,与RH在先前的研究中已经高度相关。4,5,24- - - - - -26几个作者4,5已经构造了一个基于证据的理由放弃扩张视网膜检查在儿童颅内出血,即使怀疑身体虐待,这就提出了一个问题:为什么深度学习应该应用于这个问题。一个答案是统计:我们深学习模型目前的形式将有更少的假阳性结果与使用颅内出血诊断(68.6% vs 53.9%)的阳性预测值以及更少的假阴性结果(87.1% vs 82.6%)阴性预测价值(eTable 2补充1)。第二个答案是放映员:深度学习RH检测系统可以提供自动化和一致性,以及提高2 / CT几率的能力,进行模型训练和发展,和定制的扫描协议。分类基于颅内出血还没有明确纳入美国儿科学会出去的政策声明27和还没有标准的做法。
考虑到23%到84%的视网膜检查的结果进行滥用评价是积极的出血3,5在48小时内,视网膜检查应该执行的表现出血开始解决之前,31日这种技术也可以提供及时的决策支持谁迫切需要直接fundoscopic考试。在短期内,深learning-assisted RH检测不会取代fundoscopic考试,这仍然是标准的医学和法律评价的证据标准。此外,它永远不会让出去的决心,这是一个临床诊断的排斥,常常需要虐待儿童专家的上下文中考虑物理和诊断结果的详细历史有时调查孩子的社会生态系统的执法和儿童保护服务。
这个试点研究应该解释的局限性。深度学习模型执行最佳训练时非常大的数据集,这样,我们的研究是有限数量的合格的扫描。虽然我们使用验证,有效的数据扩充策略来克服这个限制,28过度拟合的风险仍然存在。此外,我们的研究是在一组患者进行诊断为出去,RH患病率较高。一般人口头CTs RH的患病率较低,没有外部验证,我们的性能估计可能是乐观的。我们的亚组分析年龄和血统的小。大量的CTs被排除在外,因为参数异质性和成像质量差。小儿头部CT采集标准发布的美国放射学院相当广泛而agranular29日;因此,成像的质量存在着很大的差别。我们用5毫米切片厚度,尽管2毫米在儿科中心已成为普遍现象,可能提高我们的模型性能。我们没有使RH的严重程度和分布之间的相关性30.和我们的检测系统的性能。本研究将需要未来,外部验证的所有婴幼儿进行ct与变量采集参数跨多个中心。
尽管很少可见由放射科医生,RH信息存在于CTs和可以访问深度学习图像分析,见这个诊断研究。万博manbetx平台首页技术能力歧视RH头CT可以为临床医生提供更大的信心subspecialty-limited环境中练习向前移动一个出去调查,减少遗漏病例的数量,通过使用一个常规的诊断方法,是客观的,不那么容易共同临床偏见。
发表:2023年5月5日。
发表:2023年6月22日。doi:10.1001 / jamanetworkopen.2023.19420
开放:这是一个开放的分布式根据文章CC-BY许可证。©2023 Gunturkun F等。狗万体育下载地址《美国医学会杂志》网络开放。
通讯作者:纳迪姆。戴尔博士儿科危重病医学部门,儿科,Le Bonheur研究中心,田纳西大学健康科学中心,50 N邓洛普圣,孟菲斯,TN 38103 (nshafi@uthsc.edu)。
作者的贡献:Drs Gunturkun Bakir-Batu有完全访问所有的数据研究,负责数据的完整性和数据分析的准确性。
概念和设计:Hoehn Gunturkun Bakir-Batu,西迪基,戴维斯,戴尔。
数据的采集、分析或解释:所有作者。
起草的手稿:Gunturkun Bakir-Batu,西迪基,戴维斯,戴尔。
关键的修订手稿的重要知识内容:所有作者。
统计分析:Gunturkun Bakir-Batu,戴维斯。
行政、技术或材料支持:席迪圭Gunturkun,贞女,戴维斯。
监督:Hoehn Gunturkun Bakir-Batu,西迪基,戴维斯,戴尔。
利益冲突的披露:没有报道。
数据共享声明:看到补充2。