恭喜！中科院医学2区TOP、IF 4.7的《European Radiology》已成功发表！

LetPub助力文章已发表在SCI期刊European Radiology（中科院SCI期刊分区：医学2区TOP，IF4.7），评论可以沾沾好运~

论文标题为：Development of a deep-learning algorithm for etiological classification of subarachnoid hemorrhage using non-contrast CT scans

摘要

研究目的

本研究旨在开发一种基于深度学习的算法，利用非增强头颅CT（NCCT）图像区分动脉瘤性蛛网膜下腔出血（aSAH）与非动脉瘤性蛛网膜下腔出血（naSAH）。

研究方法

本回顾性研究共纳入618例确诊为蛛网膜下腔出血（SAH）的患者。数据集分为训练与内部验证队列（533例：aSAH = 305例，naSAH = 228例）和外部测试队列（85例：aSAH = 55例，naSAH = 30例）。采用U-Net++架构自动分割出血区域，并使用基于ResNet的深度学习模型对SAH的病因进行分类。

研究结果

该模型在区分aSAH与naSAH方面表现出稳定且优异的性能。在内部验证队列中，模型的平均灵敏度为0.898，特异度为0.877，准确率为0.889，Matthews相关系数（MCC）为0.777，曲线下面积（AUC）为0.948（95% CI：0.929–0.967）。在外部测试队列中，模型的平均灵敏度为0.891，特异度为0.880，准确率为0.887，MCC为0.761，AUC为0.914（95% CI：0.889–0.940），优于初级放射科医师的表现（平均准确率：0.836；MCC：0.660）。

研究结论

本研究提出了一种可准确识别SAH病因的深度学习架构。该模型在非增强CT图像上的高诊断性能，显示出其在急诊环境中支持快速、精准临床决策的潜力。

研究结果（部分）

表 1. 算法开发中使用的训练与验证数据集

SAH：蛛网膜下腔出血；aSAH：动脉瘤性蛛网膜下腔出血；naSAH：非动脉瘤性蛛网膜下腔出血

表 2. 算法开发中使用的外部测试数据集

图 3. 基于 ResNet 的病因分类模型在五折交叉验证中获得的 ROC 曲线

表 3. 算法在训练集、验证集和测试集上的性能指标

括号中的数值表示 95% 置信区间；MCC：Matthews 相关系数；AUC：曲线下面积

表 4. 外部测试集中每一折的 TP、TN、FP 和 FN 计数

（TP：真阳性，TN：真阴性，FP：假阳性，FN：假阴性）

表 5. 自动化算法、初级放射科医师（有无 AI 辅助）、急诊科医师（有无 AI 辅助）与高级放射科医师（无 AI）在SAH病因分类中的患者层面诊断性能与时间效率对比

JRT：初级放射科医师（junior radiology trainee）
SR：高级放射科医师（senior radiologist）
EP：急诊科医师（emergency physician）
“With AI”：表示 JRT 1、JRT 2、EP 1 和 EP 2 在 AI 模型辅助下的诊断表现
MCC：Matthews 相关系数（Matthews correlation coefficient）
PPV：阳性预测值（positive predictive value）
NPV：阴性预测值（negative predictive value）
LR+：阳性似然比（positive likelihood ratio）
LR−：阴性似然比（negative likelihood ratio）
Time：诊断用时（diagnostic time）

结论

本研究提出了一种可准确识别SAH病因的深度学习架构。该模型在非增强CT图像上的高诊断性能，显示出其在急诊环境中支持快速、精准临床决策的潜力。

致谢及评价

衷心感谢东软医疗系统股份有限公司在本研究过程中提供的技术支持。同时，感谢厦门大学附属中山医院提供了本研究所需的外部验证数据。还要感谢LetPub（www.letpub.com.cn）在论文写作期间提供的语言润色服务。

其他已发表文章