基于机器学习的模型对栓塞性中风的差异诊断值.

科学领域:

• 神经学 神经学
• 在瘤学瘤学.
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 与癌症相关的血栓形成 (CAT) 和心房动 (AF) 相关的中风是不同的栓塞性中风亚型.
• 这些亚型表现出独特的扩散权重成像 (DWI) 病变模式.
• 准确的区分对于适当的患者管理至关重要.

研究的目的:

• 评估使用基于DWI的机器学习模型来区分CAT与AF相关的中风的可行性.
• 在这个诊断任务中评估卷积神经网络 (CNN) 模型的性能.
• 探索数据增强对模型性能的影响.

主要方法:

• 一项试点研究招募了患有CAT和AF相关中风的患者.
• 扩散权重成像 (DWI) 数据使用翻转和对比移动来增强.
• 使用DWI图像开发和训练了卷积神经网络 (CNN) 模型,其中一个模型还包含了人口/临床数据.

主要成果:

• 基于DWI的CNN模型实现了87.1%的训练精度和78.6%的测试精度.
• 结合DWI图像和临床数据的CNN模型实现了更高的准确性 (培训:95.2%,测试:85.7%).
• 两种模型之间在灵敏度,特异性,精度或AUC方面没有发现显著差异.

结论:

• 基于DWI的CNN模型,特别是数据增强,显示了区分CAT与AF相关中风的潜力.
• 将成像数据与临床信息结合起来,可以提高诊断性能.
• 需要在更大的队列中进一步验证.