Aprendizaje profundo basado en TC sin contraste para predecir el riesgo de expansión del hematoma en pacientes con hemorragia intracerebral espontánea (NCCT-DL-HE)

Está previsto que este proyecto se implemente en cuatro pasos:

1. Recopilación de datos

1. Selección de sujetos de estudio: Se recopilaron retrospectivamente datos clínicos y de imágenes de pacientes con hemorragia intracerebral espontánea de múltiples centros, incluidos 500 casos en el grupo de expansión del hematoma y 1500 casos en el grupo sin expansión, con un total de 2000 casos. La expansión del hematoma (rHE) se definió como un aumento absoluto en el volumen de la HIC de ≥6 ml o un aumento relativo de ≥33%.
2. Recolección de Datos Clínicos: Incluye edad del paciente, sexo, antecedentes de enfermedad coronaria, tabaquismo, alcohol, hipertensión, presión arterial sistólica y diastólica al ingreso, entre otros.
3. Adquisición de imágenes por TC: Las imágenes por TC de admisión y de seguimiento se obtuvieron mediante una exploración por TC en espiral con un espesor de corte y un espacio entre cortes de 5 mm.

2. Segmentación del hematoma basada en imágenes de TC sin contraste Dos radiólogos segmentaron de forma independiente el volumen de interés de toda la lesión del hematoma cerebral utilizando el software ITK-SNAP, delineando manualmente la lesión en cada corte de TC evitando el edema circundante y el tejido cerebral normal.

3. Establecimiento de un modelo automático de segmentación de hematomas.

1. Adquisición y preprocesamiento de datos: Todas las imágenes se obtuvieron a través del sistema PACS y se almacenaron en formato DICOM. Se aplicaron pasos de preprocesamiento estandarizados, incluido el remuestreo de imágenes, el ancho de la ventana y los ajustes del nivel de la ventana para adaptarse a las diferencias de parámetros entre diferentes escáneres de TC.
2. Selección del modelo de segmentación automática: se exploraron y seleccionaron arquitecturas de aprendizaje profundo adecuadas para la segmentación, incluidas estructuras de codificador-decodificador como nnU-Net, UNETR y nnFormer. Se eligió el modelo óptimo de segmentación de imágenes para lograr una segmentación precisa de las regiones del hematoma cerebral.
3. Entrenamiento y evaluación del modelo: el modelo se entrenó mediante aprendizaje supervisado, con máscaras segmentadas manualmente del conjunto de datos anotado que sirven como etiquetas de verdad sobre el terreno. El rendimiento del modelo se evaluó mediante validación y conjuntos de pruebas externas independientes utilizando métricas como el coeficiente de dados, la intersección sobre la unión (IoU), la precisión y la recuperación.

4. Establecimiento de un modelo de clasificación automática para la expansión del hematoma

1. Construcción del modelo de clasificación automática: basándose en las máscaras de segmentación extraídas por el modelo de segmentación automática, se desarrolló un modelo de clasificación de aprendizaje profundo para predecir la expansión del hematoma. Se desarrollaron varias redes neuronales de clasificación 2D y 3D, incluidas 2D-ResNet-101, 2D-ViT, 3D-ResNet-101 y 3D-ViT. Usando las máscaras 3D generadas por segmentación automática, la región de interés rectangular 2D más grande y el cuadro delimitador 3D más pequeño del hematoma cerebral se recortan de las imágenes de TC originales, y estas regiones recortadas se ingresan en los modelos de clasificación de aprendizaje profundo correspondientes para lograr precisión. Predicción de la expansión del hematoma.
2. Visualización del modelo de clasificación automática: para verificar visualmente el proceso de toma de decisiones del modelo de aprendizaje profundo, se utilizó la tecnología de mapeo de activación de clase ponderada por gradiente (Grad-CAM) para generar mapas de atención 2D, que muestran visualmente las regiones clave del hematoma identificadas por el modelo para la clasificación.
3. Entrenamiento y evaluación del modelo: durante la evaluación del modelo, el rendimiento del modelo se probó utilizando un conjunto de pruebas externas independientes, con métricas de evaluación integrales que incluyen precisión, sensibilidad, especificidad, puntuación F1, curva ROC y valor AUC. Este proceso tuvo como objetivo validar la generalización y solidez del modelo en datos multicéntricos, garantizando su confiabilidad y efectividad en aplicaciones clínicas reales.