LetPub助力文章已发表在SCI期刊European Radiology（最新中国科学院SCI期刊分区：医学2区TOP，IF4.7），评论可以沾沾好运~
论文标题为：Development of a deep-learning algorithm for etiological classification of subarachnoid hemorrhage using non-contrast CT scans
摘要
研究目的
本研究旨在开发一种基于深度学习的算法，利用非增强头颅CT（NCCT）图像区分动脉瘤性蛛网膜下腔出血（aSAH）与非动脉瘤性蛛网膜下腔出血（naSAH）。
研究方法
本回顾性研究共纳入618例确诊为蛛网膜下腔出血（SAH）的患者。数据集分为训练与内部验证队列（533例：aSAH = 305例，naSAH = 228例）和外部测试队列（85例：aSAH = 55例，naSAH = 30例）。采用U-Net++架构自动分割出血区域，并使用基于ResNet的深度学习模型对SAH的病因进行分类。
研究结果
该模型在区分aSAH与naSAH方面表现出稳定且优异的性能。在内部验证队列中，模型的平均灵敏度为0.898，特异度为0.877，准确率为0.889，Matthews相关系数（MCC）为0.777，曲线下面积（AUC）为0.948（95% CI：0.929–0.967）。在外部测试队列中，模型的平均灵敏度为0.891，特异度为0.880，准确率为0.887，MCC为0.761，AUC为0.914（95% CI：0.889–0.940），优于初级放射科医师的表现（平均准确率：0.836；MCC：0.660）。
研究结论
本研究提出了一种可准确识别SAH病因的深度学习架构。该模型在非增强CT图像上的高诊断性能，显示出其在急诊环境中支持快速、精准临床决策的潜力。
研究结果（部分）
结论
本研究提出了一种可准确识别SAH病因的深度学习架构。该模型在非增强CT图像上的高诊断性能，显示出其在急诊环境中支持快速、精准临床决策的潜力。
致谢及评价
衷心感谢东软医疗系统股份有限公司在本研究过程中提供的技术支持。同时，感谢厦门大学附属中山医院提供了本研究所需的外部验证数据。还要感谢LetPub（www.letpub.com.cn）在论文撰写期间提供的语言润色服务。
其他已发表文章
更多网友投稿经验，查看：https://www.letpub.com.cn/index.php?journalid=2723&page=journalapp&view=detail
好消息！！！LetPub上线AI润色啦！1天就能返稿！只需880元！SCI论文特训AI润色+资深美籍人工QC，先到先得！快来试试吧！
AI润色网址：https://www.letpub.com.cn/index.php?page=AIQC
📢LetPub提供的SCI论文英语润色服务对于稿件接收还是非常有用的！LetPub, 是多家出版社推荐的SCI论文润色机构，能够提高文章发表在1区/Top期刊的几率！
SCI论文润色│SCI论文翻译│SCI论文润色哪家好│SCI论文润色价格|SCI论文修改|SCI论文润色公司│SCI论文查重│联系我们
转载本文请联系原作者获取授权，同时请注明本文来自LetPub编辑科学网博客。
链接地址：https://wap.sciencenet.cn/blog-1232242-1486788.html?mobile=1
收藏
