非对比的CT放射学用于SAH预后预测
Dezhi Shan1,2, Junjie Wang1, Peng Qi1
1Department of Neurosurgery, Beijing Hospital, National Center of Gerontology, Institute of Geriatric Medicine, Chinese Academy of Medical Sciences, Beijing 100730, China.
Bioengineering (Basel, Switzerland)
|August 26, 2023
概括
这项研究表明,使用非对比计算断层扫描 (NCCT) 放射学特征的机器学习模型可以准确地预测脑下关节出血 (SAH) 的结果. 支持矢量机 (SVM) 模型表现出最佳性能,为改善患者预后和治疗指导提供了潜在的潜力.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 脑下关节下出血 (SAH) 是一种严重的中风,预后不佳,社会经济影响很大.
- 目前的临床预后依赖于患者数据的有限准确性.
- 非对比计算断层扫描 (NCCT) 是SAH诊断的标准,但其通过放射学预后潜力尚未得到充分探索.
研究的目的:
- 开发和评估机器学习 (ML) 模型,使用NCCT放射学特征预测SAH患者预后.
- 识别与SAH结果相关的放射学特征.
- 为了比较SAH预后的各种ML算法的预测性能.
主要方法:
- 对NCCT和来自105名SAH患者的临床数据的回顾性分析.
- 从NCCT图像中提取1316个放射学特征,并选择13个显著特征.
- 开发七个ML模型 (LR,SVM,RF,LGBM,AdaBoost,XGBoost,MLP) 用于预测预后 (基于3个月的mRS的好与坏结果).
- 模型评估使用AUC,准确性,精度,回忆和F1得分,通过5倍交叉验证进行内部验证.
主要成果:
- 在良好的和差的结果组之间发现了显著的年龄差异.
- 支持矢量机 (SVM) 模型 (model_SVM) 显示出最佳性能,在交叉验证期间,在培训中平均AUC为0.98,在测试队列中达到0.88.
- 在整体数据集中,model_SVM在测试队列中实现了0.82的AUC,0.88的准确性,0.84的精度,0.87的回忆力和0.84的F1得分.
结论:
- 从NCCT衍生出的放射学特征可以有效地与ML算法一起用于预测SAH预后.
- 基于SVM的放射学模型展示了对SAH结果的卓越预测能力.
- 这种方法有可能指导SAH预后评估和临床治疗决策.
