Intelligente Erkennung von Karotisplaque und ihrer Stabilität basierend auf dynamischem Deep-Learning-Ultraschallscanning

Hintergrund:

Carotis-Plaque ist gesundheitsschädlich. Nach Schätzungen der Weltgesundheitsorganisation ereignen sich jedes Jahr 6,7 Millionen zerebrovaskuläre Unfälle und Schlaganfälle, hauptsächlich im Zusammenhang mit der Bildung von atherosklerotischen Plaques der Halsschlagader. Einerseits kann Karotisarterienplaque eine Karotisstenose oder sogar einen Verschluss verursachen, was eine zerebrale Ischämie verursacht. Früherkennung und genaue Beurteilung von Carotis-Plaques sind hilfreich für Kliniker, um wirksame Interventionsmaßnahmen zu ergreifen, die die Invaliditätsrate und die Sterblichkeitsrate von Schlaganfällen erheblich reduzieren können.

Karotis-CTA und -MRA können Plaquebilder mit relativ hoher Auflösung und hoher Qualität liefern, haben jedoch Kosten- und Scanbeschränkungen, die ihre Anwendung in der täglichen klinischen Praxis einschränken. Ultraschall hat die Vorteile der Nicht-Invasivität, Bequemlichkeit, niedrigen Kosten und guten Wiederholbarkeit. Es ist das bevorzugte bildgebende Verfahren zur Plaqueerkennung, Stenose und Plaquestabilität. Die kontrastverstärkte Sonographie (CEUS) kann die Intra-Plaque-Mikrozirkulationsperfusion durch Injektion von Mikrobläschen-Kontrastmitteln sensitiv nachweisen und stimmt mit histopathologischen Befunden überein und wird zunehmend klinisch zur Beurteilung der Plaque-Stabilität eingesetzt.

Einerseits besteht die Einschränkung der Ultraschalluntersuchung jedoch darin, dass sie sich auf die Ebene der Instrumente und Bediener verlassen muss, um die Genauigkeit zu verbessern. Andererseits war das traditionelle medizinische Modell mit dem Wachstum der Bevölkerungsbasis und der Alterung der Gesellschaft nicht in der Lage, den jährlichen Anstieg der Patientenzahlen zu bewältigen. Untersuchungsbedarf der Patienten. Daher ist es von großer Bedeutung, eine integrierte KI-Anwendungsplattform zu entwickeln, die Plaque basierend auf Ultraschallbilddaten automatisch und genau erkennen und Lumenstenose und Plaquestabilität bewerten kann.

Zweck:

Diese Studie beabsichtigt, ein auf Deep Learning basierendes Modell zu erstellen, um Plaque auf der Grundlage des dynamischen Ultraschallbilds der Carotis-Querachse automatisch und genau zu erkennen, die Lumenstenoserate zu berechnen und eine Stabilitätsbewertung durchzuführen, um die möglichen kardiovaskulären Auswirkungen von Carotis-Plaque umfassend zu bewerten . Risiko. Es wird die automatische Simulation und Reproduktion des gesamten Prozesses der Beurteilung von zervikaler Plaque durch klinische Ultraschallexperten realisieren.

Studiendesign:

Zwei Drittel der aufgenommenen Patienten und ihre entsprechenden dynamischen Scanbilder der Halsschlagader und die Ergebnisse der Expertendiagnose wurden nach dem Zufallsprinzip als Deep-Learning-Trainingskohorte ausgewählt. Die dynamischen Karotis-Scan-Bilder und Expertendiagnoseergebnisse der verbleibenden 1/3 Patienten wurden als Validierungskohorte verwendet, um die diagnostische Gesamtgenauigkeit des Deep-Learning-Modells zu bewerten

Statistische Analyse:

Die Sensitivität, Spezifität, der positive Vorhersagewert und der negative Vorhersagewert von Deep Learning zur Erkennung von Plaque, zur Schätzung der Lumenstenoserate oder zur Vorhersage der Plaquestabilität wurden anhand der Fläche unter der Receiver Operating Characteristic (ROC)-Kurve (AUROC) zur Bewertung berechnet. Die statistische Analyse wurde mit SPSS 22.0-Software durchgeführt.

Qualitätskontrolle:

Entwickeln Sie standardisierte und standardmäßige Karotis-Ultraschalluntersuchungsmethoden und Betriebsverfahren und entwickeln Sie einheitliche Bilderfassungs- und -speicherstandards. Alle Bediener sind gründlich in Karotis-Ultraschall geschult. Zwei Bediener mit mehr als 5 Jahren Erfahrung im Ultraschallbetrieb wurden als Qualitätskontrollpersonal eingestellt, um alle Bilder zu überprüfen und unqualifizierte Bilder auszuschließen.

Ultraschall ist sicher und strahlungsfrei. Während der Untersuchung waren der Arzt und der Patient immer in einem Zustand der Kommunikation, und der Patient fühlte sich weniger nervös und ängstlich, mit guter Verträglichkeit und hoher Compliance.

Ethik des Studiums:

Diese Forschung wird den ethischen Richtlinien der Deklaration von Helsinki des Weltärztekongresses und den relevanten Normen und Vorschriften der klinischen Forschung folgen. Die Studie beginnt nach Zustimmung der Ethikkommission. Vor Beginn der Studie sollte der Prüfer die Probanden über alle relevanten Inhalte der klinischen Studie in leicht verständlicher Sprache informieren und die Patienten darüber informieren, dass sie das Recht haben, jederzeit aus der Studie auszuscheiden. Die Studie wurde erst begonnen, nachdem die Patienten freiwillig die Einverständniserklärung unterzeichnet hatten.