Noncontrast CT-based deep learning for predicting intracerebral hemorrhage expansion incorporating growth of intraventricular hemorrhage
8.5
来源：
Nature
发布时间：
2025-09-01 07:31
摘要：
本研究开发了一种基于非对比CT的深度学习模型，旨在预测脑出血患者的修订血肿扩展（rHE）风险。通过分析775名自发性脑出血患者的数据，研究表明，2D-ResNet-101模型在外部测试集中的AUC达到0.777，显著优于传统的临床预测模型。该模型的成功应用可能为脑出血患者提供更及时的干预措施，从而改善预后。
原文：
查看原文
价值分投票
评分标准
新闻价值分采用0-10分制，综合考虑新闻的真实性、重要性、时效性、影响力等多个维度。
评分越高，表示该新闻的价值越大，越值得关注。
价值维度分析
domain_focus
1.0分
business_impact
1.0分
scientific_rigor
1.5分
timeliness_innovation
1.5分
investment_perspective
2.5分
market_value_relevance
1.0分
team_institution_background
0.5分
technical_barrier_competition
0.5分
关键证据
2D-ResNet-101模型在外部测试集中AUC为0.777，优于传统临床模型。
研究涉及775名患者，数据支撑充分。
深度学习模型在预测修订血肿扩展方面表现出显著的创新性和临床应用潜力。
真实性检查
否
AI评分总结
本研究开发了一种基于非对比CT的深度学习模型，旨在预测脑出血患者的修订血肿扩展（rHE）风险。通过分析775名自发性脑出血患者的数据，研究表明，2D-ResNet-101模型在外部测试集中的AUC达到0.777，显著优于传统的临床预测模型。该模型的成功应用可能为脑出血患者提供更及时的干预措施，从而改善预后。