基于定量图像签名和机器学习的预测,对大脑洞穴性形的结果进行预测

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 大脑洞腔形 (CCM) 构成出血风险,需要更好的预后工具.
• 目前的自然史研究在预测CCM出血和功能结果方面缺乏确定性.

研究的目的:

• 开发和验证可解释的AI驱动的放射性模型,用于预测CCM患者的出血和功能结果.
• 评估人工智能和放射学在补充现有的CCM研究方面的价值.

主要方法:

• 利用了来自181名成年CCM患者的MRI数据.
• 从细分的CCM病变和周围的瘤中提取了放射性特征.
• 开发并进行交叉验证的机器学习模型,使用临床放射学,放射学和联合特征,并使用SHAP进行解释.

主要成果:

• 结合放射学和临床放射学特征,在出血预测 (线性回归) 中实现了83%的AUC.
• K-最近邻居模型显示出对出血预测有85%的灵敏度.
• 多层感知器实现了74%的AUC,用于预测修改的兰金尺度≥2.

结论:

• 基于机器学习的定量成像模型可以识别用于预测CCM出血和功能结果的新生物标志物.
• 人工智能和放射学显示出在CCM患者护理中提高精度和个性化的潜力.