使用自监督学习对脑出血患者进行黑洞征的自动检测
本研究发表于《美国神经放射学杂志》,提出了一种基于自监督学习的创新框架,用于自动识别脑出血患者头部CT扫描中的黑洞征(BHS),该征象可有效预测血肿扩大(HE)风险。研究团队利用ResNet-50模型在超过170万张未标记CT图像上进行预训练,实现了扫描级别0.75-0.89的AUC得分和0.60-0.70的F1分数,显著提升了诊断准确性。该技术不仅能减少人工标注需求、降低医疗成本,还能加速患者精准分诊,在外部数据集验证中展现出良好泛化能力,为医学影像分析领域特别是数据有限场景提供了突破性解决方案,有望改善脑出血患者的临床预后。

