预测急性中风中血栓溶解的反应,使用CT输液成像神经网络分析

科学领域:

• 神经成像是一种神经成像.
• 人工智能在医学中的应用
• 脑卒中医学 脑卒中医学

背景情况:

• 在缺血性中风中可挽救的大脑组织,称为半阴影,对于预测患者在反疗法后的结果至关重要.
• CT输液成像 (CTP) 量化半阴组织以指导治疗决策,目前正在使用的自动化分析工具.
• 应用到CTP地图的先进机器学习技术显示了超越传统体积测量的结果预测的潜力.

研究的目的:

• 评估卷积神经网络 (CNN) 在预测缺血性中风血栓溶解后临床结果方面的有效性.
• 将CNN模型的预测性能与现有的临床软件 (MISTAR) 和基于值的模型进行比较.

主要方法:

• 一个CNN模型是使用230名经过血栓溶解的回顾性缺血性中风患者的CTP地图来开发的.
• 该模型的性能在129名患者的独立队列中得到验证,评估了有利结果的预测 (修改的兰金度表0-2在3个月).
• 将CNN模型与MISTAR软件和基于值的修改模型进行了比较.

主要成果:

• 在CNN模型中,为了预测有利的结果,获得了0.792的接收器-运营商特征曲线 (AUC) 下的面积.
• 这种CNN模型显著超过了MISTAR软件 (AUC = 0.583) 和使用导出队列值的模型 (AUC = 0.670).
• 将CNN衍生特征与基线人口统计数据相结合,进一步提高了预测准确性 (AUC = 0.865).

结论:

• 在缺血性中风患者中,CNN证明了对血栓溶解后结果的更好的预测.
• 这种人工智能驱动的方法可能会增强对那些最有可能受益于血栓溶解治疗的患者的选择.