解决基于人工智能的脑动脉瘤检测在计算机断层扫描血管造影中的泛化能力有限问题：开发一个经过外部验证的人工智能筛查平台

《Neurosurgery》：Addressing Limited Generalizability in Artificial Intelligence–Based Brain Aneurysm Detection for Computed Tomography Angiography: Development of an Externally Validated Artificial Intelligence Screening Platform

AI模型通过减少排除标准提升脑动脉瘤检测泛化能力，内外部验证显示82.5%-83.5%灵敏度及89.6%-92.9%特异性，并通过网页平台实现公共测试

　　

摘要 通俗语言总结

---

背景与目标：

无论是学术界还是工业界，脑动脉瘤检测模型在外部验证时普遍存在泛化能力不足的问题，这限制了其临床应用。这一挑战主要源于训练数据选择过程中严格的排除标准。作者们首次采用创新的方法论手段开发出具备泛化能力的模型。

方法：

本研究使用2004年至2023年间在该机构进行的计算机断层扫描（CTA）数据来训练模型，这些数据涵盖了未破裂的颅内动脉瘤（且无严重的脑血管疾病）。外部验证使用了来自国际中心的、通过数字减影血管造影技术验证的CTA图像；而前瞻性验证则在同一机构进行了9个月。此外，还建立了一个公共网络平台用于进一步验证模型效果。

结果：

本研究共使用了2194份CTA扫描数据。训练队列包括1587名患者和1920个动脉瘤，动脉瘤的平均直径为5.3 ± 3.7毫米。患者平均年龄为69.7 ± 14.9岁，其中1203名（75.8%）为女性。模型的训练Dice分数为0.88，验证Dice分数为0.76。在304份扫描数据上的前瞻性内部验证显示，该模型在病变水平（LL）的敏感性为82.5%（95%置信区间：75.5-87.9），特异性为89.6%（95%置信区间：84.5-93.2）。外部验证的结果显示，该模型在病变水平的敏感性为83.5%（95%置信区间：75.1-89.4），特异性为92.9%（95%置信区间：88.8-95.6）。外部中心的放射科医生在相同数据上的病变水平敏感性为84.5%（95%置信区间：76.2-90.2），模型检测出了87.5%被遗漏的动脉瘤。

结论：

作者们开发出了首个可公开测试的用于CTA扫描中动脉瘤检测的人工智能模型，该模型在外部验证中展现了良好的泛化能力和先进的性能。该模型解决了以往模型存在的关键问题，并通过基于网络的平台实现了更广泛的验证。

通俗语言总结：研究人员开发了一种新的AI模型，用于通过CTA扫描检测脑动脉瘤，旨在克服以往模型中存在的泛化能力问题。该模型基于2194份扫描数据进行了训练，重点关注未破裂的颅内动脉瘤。该模型在内部和外部都经过了验证，显示出与放射科医生相当的高敏感性和特异性。模型的训练Dice分数为0.88，验证Dice分数为0.76，表明其性能优异。通过基于网络的平台，公众可以进一步测试该模型，从而可能促进动脉瘤检测模型的临床应用。

本文本由机器生成，可能存在不准确之处。常见问题解答