機械学習による脳内動脈破裂状態を予測する臨床的および放射線学的変数の使用

科学分野:

• 神経外科
• 医療用イメージング
• 人工知能

背景:

• 人工知能 (AI) と機械学習 (ML) は,頭蓋内動脈瘤 (IA) の破裂予測のための臨床データと放射線データを分析するためにますます使用されています.
• 以前の研究では,患者特有の特徴とIA破裂状態を相関させるための様々なMLテクニックが調査されました.

研究 の 目的:

• ランダムフォレスト (RF),XGBoost (XGB),サポートベクトルマシン (SVM),多層感知器 (MLP) を含む複数のMLモデルのパフォーマンスを適用し,比較する.
• IA破裂の予測に最も大きく貢献する重要な臨床的および放射線学的特徴を特定する.

主な方法:

• 53の特徴を持つ178のIAのデータセットを分析し,冗長性を減らすために高度に相関する特徴を削除した.
• 超パラメータチューニングはグリッド検索を使用して行われ,モデルは5回のイテレーションで5倍クロス検証によって評価されました.
• 正確さ,精度,リコール,F1スコア,曲線下の面積 (AUC) を含むパフォーマンスメトリックが計算されました. ウィルコクソンサインランクテストでAUCスコアを比較した.

主要な成果:

• ランダムフォレスト (RF) は,XGBoost (0. 76),SVM (0. 69),MLP (0. 65) モデル (P < 0. 05) と比較して,最も高い精度 (85%) と優れたAUC (0. 85) を達成しました.
• フラクタル次元は全てのモデルにおいて 最も重要な特徴として特定されました
• 3次元形状の特徴は,モデルのパフォーマンスを左右する15の最も重要な特徴の8つを構成しています.

結論:

• RFモデルはIA破裂を予測するために高い精度とバランスの取れた精度/リコールを示しています.
• 3Dの幾何学的な特徴は,IA破裂状態の重要な予測因子であり,臨床評価とAI主導の分析におけるその重要性を強調しています.