一种机器学习方法来预测基于内动脉血液流动的脑 perfusion 状态

科学领域:

• 神经学 神经学
• 医疗成像医学成像
• 生物医学工程 生物医学工程

背景情况:

• 大脑血流 (CBF) 对于大脑的新陈代谢和功能至关重要.
• 目前的大脑输液成像复杂,昂贵,无法及时临床使用.
• 内动脉 (ICA) 血流是大脑输液的关键决定因素.

研究的目的:

• 开发一个自动化模型来预测大脑 perfusion 状态.
• 为了确定ICA血流与大脑输液之间的关联.
• 为现有成像方法提供一种非侵入性,实时和低成本的替代方案.

主要方法:

• 收集了来自48名参与者的ICA超声波和脑MRI数据.
• 使用的机器学习模型包括SVM,KNN,DT,RF,GBDT和XGBOOST.
• 使用SHAP分析进行特征解释性.

主要成果:

• XGBOOST模型获得了最高的精度 (78.01%) 和AUC (87.08%).
• 确定的关键预测因素包括加速速度,缩流速峰值和ICA血流的阻力指数.
• 该模型表现出强大的分类性能.

结论:

• 拟议的模型提供了一种新的,自动化的方法来预测大脑 perfusion 状态.
• 它作为一种非侵入性的,实时的,低成本的替代传统脑输液成像技术.
• 预测模型可以作为及时临床干预的早期预警系统.