在医学影像诊断领域，脑动脉瘤的检测一直是一个挑战。但最近，一项基于深度学习的模型开发成功，为放射科医生提供了强有力的辅助工具。这项技术不仅能提高脑动脉瘤的检测率，还能显著缩短影像解读和后期处理的时间。研究人员表示，这样的工具在提升临床工作流程和改善脑动脉瘤诊断方面具有巨大的潜力。
脑动脉瘤的及时和准确诊断对于启动适当的管理策略、优化患者结果以及减轻这一病症对个人和医疗系统的影响至关重要。因此，高效诊断工具的开发显得尤为重要。
图源备注：图片由AI生成，图片授权服务商Midjourney
研究人员在中国河北大学附属医院放射科的Jianing Wang博士的带领下，对近4000名患者的数据进行了模型训练，并在额外的484名患者中进行了测试。在分析过程中，研究团队让10名放射科医生在有无该模型辅助的情况下，对每个病例进行了解读，同时还有额外的评估来审查模型单独的性能。
当放射科医生使用这一工具时，解读和后期处理时间分别减少了37.2%和90.8%。对于初级放射科医生，模型的辅助将AUC（Area Under the Curve，曲线下面积）从0.842提高到0.881;对于高级放射科医生，从0.853提高到0.895。在病变和患者层面的敏感性也因深度学习辅助而提高，患者层面的特异性也得到了改善。
考虑到颅内血管的复杂性，基于CTA（计算机断层成像血管造影）的动脉瘤检测是一项耗时且具有挑战性的任务。此外，CTA检查需求的增加可能导致放射科医生疲劳，这连同影像解读的主观性，常常影响诊断的准确性。
研究团队补充说，他们的工具提供了证据，支持基于深度学习的模型可以适应不同的检查，因为它们的模型在广泛的检查中都是准确的。这解决了深度学习工具普遍存在的泛化性问题。类似的模型对于那些在及时诊断至关重要的环境中经验较少的读者来说，可能特别有益。
