Jornal de Distúrbios do Sangue e Transfusão

Abstrato

Avaliação e detecção do crescimento de aneurismas assistida por computador (AGED): comparação com o acompanhamento clínico de aneurismas

Aichi Chien*, Ziga Spiclin, Ziga Bizjak, Kambiz Nael

Contexto: Como os aneurismas intracranianos (AI) em crescimento têm maior probabilidade de ruptura, a detecção do crescimento é uma parte importante do acompanhamento de AI não rompidos. Estudos recentes têm consistentemente mostrado que a detecção do crescimento de AI pode ser desafiadora, especialmente em aneurismas menores. Neste estudo, apresentamos um método computacional automatizado para auxiliar na detecção do crescimento do aneurisma.

Métodos: Um programa de análise, Aneurysm Growth Evaluation and Detection (AGED), baseado em imagens de IA foi desenvolvido. Para verificar se o programa pode detectar satisfatoriamente o crescimento clínico do aneurisma, realizamos este estudo comparativo usando determinações clínicas de crescimento durante o acompanhamento de IA como padrão-ouro. Pacientes com IA sacular não rompida seguidos por CTA cerebral diagnóstica para monitorar a progressão de IA foram revisados. 48 séries de imagens de IA de 20 IA de ICA acompanhadas longitudinalmente foram analisadas usando AGED e um conjunto de características morfológicas de IA foi calculado. Testes estatísticos não paramétricos e análise ROC foram realizados para avaliar o desempenho de cada característica para detecção de crescimento.

Resultados: O conjunto de características morfológicas calculadas automaticamente demonstrou resultados comparáveis ​​à avaliação clínica manual padrão do crescimento de IA. Especificamente, o HMAX calculado automaticamente foi superior (AUC=0,958) na distinção entre IA em crescimento e IA estável, seguido por V e SA (AUC=0,927 e 0,917, respectivamente).

Conclusão: Nossas descobertas apoiam métodos automáticos de detecção de crescimento de IA a partir de estudos de imagem sequenciais como um complemento útil à avaliação clínica padrão. A detecção de crescimento gerada por AGED mostra-se promissora para caracterização e detecção de crescimento de IA com potencial para diminuir a variabilidade associada a medições manuais.