Алгоритм глубокого обучения для автоматического выявления и классификации острых внутричерепных кровоизлияний на КТ головы

Острое внутричерепное кровоизлияние (ВЧК) — жизнеугрожающее состояние, требующее неотложной медицинской помощи; обычно его диагностируют с помощью бесконтрастной КТ головы. Точность диагностики острого ВЧК по данным КТ значительно различается у врачей-рентгенологов из-за сложности интерпретации малозаметных признаков и дефицита времени, связанного с постоянно растущей рабочей нагрузкой. Применение технологий искусственного интеллекта может автоматизировать этот процесс и помочь врачам-рентгенологам быстрее принимать более обоснованные решения. В настоящей работе разработан метод глубокого обучения, имитирующий процесс интерпретации изображений врачом-рентгенологом и сочетающий 2D-сверточную нейронную сеть (CNN) с двумя моделями последовательностей для точного выявления острого ВЧК и классификации его пяти типов. Алгоритм, обученный на обширном наборе данных 2019-RSNA Brain CT Hemorrhage Challenge, включавшем более 25 000 КТ-исследований, точно классифицировал острое ВЧК и пять его типов: эпидуральное (EDH), внутрипаренхиматозное (IPH), внутрижелудочковое (IVH), субарахноидальное (SAH) и субдуральное (SDH) кровоизлияние; площадь под ROC-кривой (AUC) составила соответственно 0,988, 0,984, 0,992, 0,996, 0,985 и 0,983, что соответствует уровню точности экспертов-рентгенологов. Метод занял первое место среди 1345 команд из 75 стран в конкурсе RSNA. Дополнительно алгоритм оценили на двух независимых внешних наборах данных, включавших 75 и 491 КТ-исследование соответственно; метод сохранил высокие значения AUC для выявления острого ВЧК — 0,964 и 0,949. Эти результаты свидетельствуют о высокой эффективности и способности метода к устойчивому обобщению, что позволяет использовать его в качестве инструмента второго чтения или триажа в рутинной клинической практике.