Ключевые результаты
Исследование оценило эффективность гибридной модели глубокого обучения с трансферным обучением и визуализацией Grad-CAM для классификации интракраниальных аневризм (ИА) по данным КТ-ангиографии (КТА). Модель с трансферным обучением (DL + TL) продемонстрировала значительно лучшие результаты по сравнению как с базовой моделью глубокого обучения (DL), так и с оценкой радиологов:
- Средняя площадь под ROC-кривой (AUC): 0,853 (95% ДИ: 0,789–0,912)
- Точность: 84,0%
- Статистически значимое превосходство над базовой моделью (AUC: 0,744, p=0,012) и радиологами (AUC: 0,731, p=0,008)
Методология
В ретроспективное исследование были включены 83 пациента из двух медицинских центров, прошедших КТ-ангиографию. Исследователи применили следующий дизайн:
- Стратифицированная 5-кратная перекрестная проверка для сравнения трех подходов к диагностике
- Использование гибридной архитектуры ResNet-18 с отбором признаков методом LASSO и логистической регрессией
- Сравнение базовой модели глубокого обучения (DL), модели с трансферным обучением (DL + TL) и оценки радиологов
- Оценка производительности с помощью AUC, точности, калибровки, анализа кривых принятия решений, индексов NRI и IDI
- Количественная оценка интерпретируемости с помощью метода Grad-CAM с использованием метрик IoU (Intersection-over-Union) и коэффициента сходства Дайса
Клиническое значение
Интракраниальные аневризмы встречаются у 2-5% населения, и их разрыв приводит к высокой смертности и инвалидности. Ранняя и точная классификация ИА по данным КТА имеет решающее значение для выбора тактики ведения пациентов.
Помимо улучшенной точности диагностики, модель с трансферным обучением продемонстрировала значительно более высокую точность внимания при анализе Grad-CAM:
- IoU: 0,68 против 0,45 для базовой модели (p<0,001)
- Модель была оценена независимыми радиологами как более клинически релевантная (4,2/5 против 2,8/5)
Это исследование решает две критические проблемы в области нейровизуализации:
- Ограниченный размер доступных датасетов для обучения моделей ИИ
- Недостаток интерпретируемости результатов, получаемых с помощью алгоритмов глубокого обучения
Выводы
Интеграция трансферного обучения с количественной оценкой интерпретируемости улучшает как точность, так и прозрачность классификации интракраниальных аневризм в условиях ограниченных данных. Предложенный фреймворк предлагает валидированный, интерпретируемый подход для нейроваскулярной визуализации.
Для внедрения в клиническую практику требуется дополнительная валидация в многоцентровых исследованиях. Тем не менее, результаты указывают на потенциал использования ИИ-моделей с улучшенной интерпретируемостью для поддержки принятия клинических решений в диагностике цереброваскулярных заболеваний, особенно в центрах с ограниченным опытом нейрорадиологической диагностики.