Published June 20, 2023
| Version v1
Publication
Open
A comparison of performance between a deep learning model with residents for localization and classification of intracranial hemorrhage
Creators
- 1. Maharaj Nakorn Chiang Mai Hospital
- 2. Chiang Mai University
Description
Abstract Intracranial hemorrhage (ICH) from traumatic brain injury (TBI) requires prompt radiological investigation and recognition by physicians. Computed tomography (CT) scanning is the investigation of choice for TBI and has become increasingly utilized under the shortage of trained radiology personnel. It is anticipated that deep learning models will be a promising solution for the generation of timely and accurate radiology reports. Our study examines the diagnostic performance of a deep learning model and compares the performance of that with detection, localization and classification of traumatic ICHs involving radiology, emergency medicine, and neurosurgery residents. Our results demonstrate that the high level of accuracy achieved by the deep learning model, (0.89), outperforms the residents with regard to sensitivity (0.82) but still lacks behind in specificity (0.90). Overall, our study suggests that the deep learning model may serve as a potential screening tool aiding the interpretation of head CT scans among traumatic brain injury patients.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يتطلب النزيف المجرد داخل الجمجمة (ICH) من إصابة الدماغ الرضحية (TBI) فحصًا إشعاعيًا فوريًا والتعرف عليه من قبل الأطباء. التصوير المقطعي المحوسب (CT) هو الفحص المفضل للإصابات الدماغية الرضية وأصبح يستخدم بشكل متزايد في ظل نقص موظفي الأشعة المدربين. من المتوقع أن تكون نماذج التعلم العميق حلاً واعداً لإنشاء تقارير أشعة دقيقة وفي الوقت المناسب. تفحص دراستنا الأداء التشخيصي لنموذج التعلم العميق وتقارن أداء ذلك مع الكشف عن ICHs المؤلمة وتوطينها وتصنيفها بما في ذلك الأشعة وطب الطوارئ والمقيمين في جراحة الأعصاب. تظهر نتائجنا أن المستوى العالي من الدقة الذي حققه نموذج التعلم العميق، (0.89)، يتفوق على السكان فيما يتعلق بالحساسية (0.82) ولكنه لا يزال يفتقر إلى الدقة (0.90). بشكل عام، تشير دراستنا إلى أن نموذج التعلم العميق قد يكون بمثابة أداة فحص محتملة تساعد في تفسير فحوصات التصوير المقطعي المحوسب للرأس بين مرضى إصابات الدماغ الرضحية.Translated Description (French)
Résumé L'hémorragie intracrânienne (ICH) due à une lésion cérébrale traumatique (TCC) nécessite une investigation radiologique rapide et une reconnaissance par les médecins. La tomodensitométrie (TDM) est l'enquête de choix pour les TCC et est devenue de plus en plus utilisée en raison de la pénurie de personnel de radiologie qualifié. On s'attend à ce que les modèles d'apprentissage profond soient une solution prometteuse pour la production de rapports de radiologie opportuns et précis. Notre étude examine la performance diagnostique d'un modèle d'apprentissage profond et compare la performance de celui-ci avec la détection, la localisation et la classification des ICH traumatiques impliquant des résidents en radiologie, en médecine d'urgence et en neurochirurgie. Nos résultats démontrent que le haut niveau de précision atteint par le modèle d'apprentissage profond, (0,89), surpasse les résidents en ce qui concerne la sensibilité (0,82) mais manque toujours de spécificité (0,90). Dans l'ensemble, notre étude suggère que le modèle d'apprentissage en profondeur peut servir d'outil de dépistage potentiel facilitant l'interprétation des tomodensitométries de la tête chez les patients ayant subi un traumatisme crânien.Translated Description (Spanish)
Resumen La hemorragia intracraneal (HIC) por lesión cerebral traumática (LCT) requiere una pronta investigación radiológica y reconocimiento por parte de los médicos. La tomografía computarizada (TC) es la investigación de elección para la LCT y se ha utilizado cada vez más ante la escasez de personal de radiología capacitado. Se prevé que los modelos de aprendizaje profundo serán una solución prometedora para la generación de informes radiológicos oportunos y precisos. Nuestro estudio examina el rendimiento diagnóstico de un modelo de aprendizaje profundo y compara el rendimiento de este con la detección, localización y clasificación de ICH traumáticos que involucran a residentes de radiología, medicina de emergencia y neurocirugía. Nuestros resultados demuestran que el alto nivel de precisión alcanzado por el modelo de aprendizaje profundo, (0,89), supera a los residentes con respecto a la sensibilidad (0,82), pero aún carece de especificidad (0,90). En general, nuestro estudio sugiere que el modelo de aprendizaje profundo puede servir como una posible herramienta de detección que ayude a la interpretación de las tomografías computarizadas de la cabeza entre los pacientes con lesión cerebral traumática.Files
s41598-023-37114-z.pdf.pdf
Files
(1.7 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:a973eaa8842d5ad9dd1f524add1fda53
|
1.7 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- مقارنة الأداء بين نموذج التعلم العميق مع السكان لتوطين وتصنيف النزيف داخل الجمجمة
- Translated title (French)
- Une comparaison des performances entre un modèle d'apprentissage profond avec les résidents pour la localisation et la classification des hémorragies intracrâniennes
- Translated title (Spanish)
- Una comparación del rendimiento entre un modelo de aprendizaje profundo con residentes para la localización y clasificación de la hemorragia intracraneal
Identifiers
- Other
- https://openalex.org/W4381430686
- DOI
- 10.1038/s41598-023-37114-z
References
- https://openalex.org/W1971299088
- https://openalex.org/W1975991465
- https://openalex.org/W1977489015
- https://openalex.org/W2005393003
- https://openalex.org/W2054688904
- https://openalex.org/W2104186860
- https://openalex.org/W2120986439
- https://openalex.org/W2147343097
- https://openalex.org/W2157498936
- https://openalex.org/W2168199261
- https://openalex.org/W2170921489
- https://openalex.org/W2301358467
- https://openalex.org/W2361159124
- https://openalex.org/W2563780839
- https://openalex.org/W2725984455
- https://openalex.org/W2769072991
- https://openalex.org/W2772246530
- https://openalex.org/W2790002023
- https://openalex.org/W2792253967
- https://openalex.org/W2795774310
- https://openalex.org/W2883545264
- https://openalex.org/W2899381700
- https://openalex.org/W2905307056
- https://openalex.org/W2911997543
- https://openalex.org/W2921197949
- https://openalex.org/W2943644689
- https://openalex.org/W2976398475
- https://openalex.org/W3004371585
- https://openalex.org/W3008956992
- https://openalex.org/W3096668420
- https://openalex.org/W3100962952
- https://openalex.org/W3108582022
- https://openalex.org/W3202984962
- https://openalex.org/W3217170893
- https://openalex.org/W4223988860
- https://openalex.org/W4297983178