数据收集与预处理
获取早期CT图像并标准化图像数据，为模型训练做准备。
回顾性收集2017-2022年间单中心OHCA后24小时内行非增强头颅CT的儿童病例，并匹配年龄对照。对CT图像进行去颅骨、强度归一化和切片重采样等预处理。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
机器学习在儿童心脏骤停后早期头部CT中识别缺氧缺血性脑损伤
Machine learning to identify hypoxic-ischemic brain injury on early head CT after pediatric cardiac arrest
实验完整度
中基于117例病例和468例对照的回顾性队列，应用CNN模型进行图像分类和结局预测，并进行了模型性能验证。
主要模型
儿童院外心脏骤停患者 年龄匹配的对照患者
重点核对
纳入117例OHCA病例，中位年龄3.1岁，中位ROSC至CT时间2.1小时 对照组按年龄匹配，每个病例匹配4例对照，共468例 模型采用AlexNet骨干网络，输入层卷积核尺寸调整为11×11×7，基于ImageNet预训练 5折交叉验证，按患者层面分区，确保各结局组和<1岁患者比例一致 区分OHCA病例与对照的平均AUC为0.87±0.05
摘要
目的：训练深度学习模型，以在儿童院外心脏骤停（OHCA）后早期CT扫描中检测缺氧缺血性脑损伤（HIBI），并确定模型能否识别放射科医生无法视觉察觉的HIBI。方法：对OHCA后24小时内进行CT检查的儿童进行回顾性研究，并与年龄匹配的对照组进行比较。我们设计了模型，通过区分OHCA病例和对照的CT图像来检测HIBI，并预测病例中的死亡和不良结局（出院时PCPC评分4-6）。模型性能以AUC衡量。我们训练了第二个模型来区分有放射科医生识别的HIBI的OHCA病例和无OHCA的对照，并测试了该模型在没有放射科医生识别HIBI的OHCA病例中的表现。我们比较了有和没有模型分类HIBI的OHCA病例之间的结局。结果：我们分析了117例OHCA病例（年龄3.1 [0.7–12.2]岁）；43%死亡，58%有不良结局。从心脏骤停到CT的中位时间为2.1 [1.0,7.2]小时。深度学习模型区分OHCA病例和对照的平均AUC为0.87±0.05。在OHCA病例中，预测死亡和不良结局的平均AUC分别为0.79±0.06和0.69±0.06。区分44例有放射科医生识别HIBI的OHCA病例和对照的平均AUC为0.98±0.01。在73例没有放射科医生识别HIBI的OHCA病例中，模型识别出36%为推定HIBI；其中31%死亡，而无HIBI（放射学和模型均未识别）的病例死亡率为17%（p=0.174）。结论：深度学习模型可以在儿童OHCA后的早期CT图像上识别HIBI，并能检测到一些放射科医生视觉上未识别的推定HIBI。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 深度学习模型能否在儿童心脏骤停后早期CT图像中识别缺氧缺血性脑损伤，并预测临床结局？
- 核心机制
- 缺氧缺血性脑损伤在CT图像上表现为灰白质分化丧失、基底节缺血等特征，深度学习模型可以通过学习这些图像特征来识别HIBI。
- 主要证据
- 基于117例OHCA病例和468例对照的CT图像，CNN模型区分病例与对照的平均AUC为0.87±0.05，预测死亡和不良结局的AUC分别为0.79±0.06和0.69±0.06；在无放射科医生识别HIBI的病例中，模型识别出的HIBI组死亡率更高（31% vs 17%，p=0.174）。
- 研究意义
- 该模型可能有助于早期风险分层、识别可能受益于神经保护治疗的患者，并指导骤停后护理，但需进一步验证。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
模型训练与交叉验证
训练CNN模型以区分OHCA病例和对照，并预测临床结局。
使用AlexNet骨干网络（预训练于ImageNet）构建CNN模型，采用5折交叉验证评估模型性能。
检测放射科未识别的HIBI
评估模型能否识别放射科医生未发现的HIBI，并比较其临床结局。
训练第二个模型区分有放射科识别HIBI的OHCA病例和对照组，然后应用于无放射科识别HIBI的OHCA病例，比较模型识别出的HIBI组和无HIBI组的结局。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| CT图像获取与预处理 | CT扫描仪 | -- | -- |
| 模型实现 | AlexNet | -- | -- |
| ImageNet数据集 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据收集 | 纳入标准：2017-2022年间单中心OHCA后24小时内行非增强头颅CT的儿童（≤18岁），排除年龄>18岁、术前PCPC≥4、CT质量差者。对照组为年龄匹配的无颅内病变的CT扫描，每个病例匹配4例对照。 阅读提示：Methods部分（患者选择、对照组识别） |
| CT图像预处理 | 图像预处理步骤：去颅骨、强度归一化（sigmoid窗口）、重采样为7层512×512像素。 阅读提示：Methods部分（预处理）及Figure 1 |
| 深度学习模型 | 模型结构：AlexNet骨干，输入层核尺寸11×11×7，基于ImageNet预训练；训练任务：区分OHCA病例与对照、预测死亡和不良结局；5折交叉验证方法。 阅读提示：Methods部分（深度学习建模）及Supplementary Table 2 |
| 模型评估 | 主要评估指标：AUC；区分OHCA与对照组AUC=0.87±0.05，预测死亡AUC=0.79±0.06，预测不良结局AUC=0.69±0.06。 阅读提示：Results部分（模型性能）及Table 2 |
| 放射科未识别HIBI的检测 | 训练第二个模型区分有放射科识别HIBI的OHCA病例和对照组（随机选取132个对照），测试于无放射科识别HIBI的OHCA病例（73例），模型分类为HIBI者26例，无HIBI者47例。 阅读提示：Methods部分（模型评估）及Results部分（模型性能） |