基于机器学习的两维 (2D) 和三维 (3D) CT 放射学特征的性能比较,用于大脑内出血扩张
1Department of Radiology, Sir Run Run Shaw Hospital, Zhejiang University School of Medicine, Hangzhou, China.
Clinical radiology
|November 5, 2023
概括
来自非对比CT扫描的二维 (2D) 放射学显示在预测自发性脑内出血 (ICH) 后血瘤扩张方面与3D放射学相似的准确性. 这种二维方法适用于ICH患者的紧急情况.
科学领域:
- 神经学 神经学
- 放射学 放射学是一门学科.
- 医疗成像医学成像
背景情况:
- 自发性脑内出血 (ICH) 是一种具有高死亡率的严重疾病.
- 预测血瘤扩张 (HE) 对患者的治疗结果至关重要.
- 放射学为非侵入性预测HE提供了潜力.
研究的目的:
- 评估基于非对比CT (NCCT) 的2D放射学特征对HE的预测价值.
- 为了比较2D放射学与3D放射学的预测性能.
- 评估基线血瘤体积对预测准确性的影响.
主要方法:
- 对307名具有基线NCCT扫描的ICH患者的回顾性分析.
- 提取相应的二维和三维放射特征.
- 使用机器学习算法 (逻辑回归,决策树,SVM,AdaBoost) 开发预测模型.
- 使用接收机操作特征 (ROC) 曲线和交叉验证进行性能评估.
主要成果:
- 2D和3D放射学特征显示出极好的一致性 (ICC>0.9).
- 在不同的机器学习算法中,2D和3D模型之间的预测性能没有显著差异 (训练AUC~0.858vs0.802,验证AUC~0.725vs0.678).
- 对于2D和3D模型的可比预测精度 (AUC),无论最初的血瘤体积如何.
结论:
- 在预测HE方面,NCCT衍生出的2D放射特征为3D特征提供了可接受和可比的性能.
- 2D放射学的预测能力不会受到初始血瘤体积的显著影响.
- 对于未来的HE预测研究,二维放射学可能是更好,因为它可以应用于ICH的紧急环境.
