对头部磁共振成像(MRI)检查的需求不断增长,以及全球放射科医生的短缺,导致在全球报告头部MRI扫描所花费的时间增加。对于许多神经系统疾病,这种延迟会导致发病率和死亡率增加。一种自动分解工具可以通过在成像时识别异常并确定这些扫描的报告优先级来减少异常检查的报告时间。在这项工作中,我们提出了一个卷积神经网络,用于检测$ \ text {t} _2 $加权的头部MRI扫描中临床上相关的异常。使用经过验证的神经放射学报告分类器,我们从两家英国两家大型医院进行了43,754张标记的数据集,以进行模型培训,并在800张测试集上证明了准确的分类(AUC下的区域(AUC)= 0.943),由800张扫描集进行了标签。神经放射学家团队。重要的是,当仅在一家医院接受扫描培训时,模型从另一家医院进行了扫描($ \ delta $ auc $ \ leq $ 0.02)。一项模拟研究表明,我们的模型将使异常检查的平均报告时间从28天到14天,并从两家医院的9天到5天,这表明在临床分类环境中使用了可行性。
translated by 谷歌翻译