基于放射性非线性监督学习分类器在非对比CT上用于预测自发性脑内血瘤患者的功能预后

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 无线电学 (Radiomics) 是一种无线电学.

背景情况:

• 自发性脑内血瘤 (ICH) 在预测患者的功能结果方面构成了重大挑战.
• 准确的预后对于指导临床管理和患者护理至关重要.

研究的目的:

• 评估非线性监督学习分类器的有效性,利用非对比CT扫描中的放射特征来预测ICH患者出院时的功能预后.
• 评估这些模型在识别具有良好的和差的功能结果的患者中的表现.

主要方法:

• 在症状发作后24小时内接受非对比CT的105名ICH患者的回顾性分析.
• 在手动细分血液瘤后提取了放射性特征.
• 非线性监督学习模型 (例如,P-SVM,KNN-E,RF-10) 被训练并使用70%-30%的分割进行验证,并进行了10倍的交叉验证.

主要成果:

• 在训练/测试队列中,表现最好的分类器 (P-SVM,KNN-E,RF-10与ANOVA选择) 在训练/测试队列中分别获得了0.798,0.752和0.742的AUC.
• 在验证队列中,这些模型的灵敏度为0.897,用于预测功能预后不佳.
• 一个值得注意的发现是,预测出院时功能预后不佳的假阴性率为0%.

结论:

• 基于放射学的非线性监督学习分类器显示出作为用于预测ICH患者功能结果的诊断工具的显著前景.
• 这些模型实现了较低的假阴性率,提高了它们的临床效用.
• 建议使用更大,平衡的数据集进行进一步开发,以优化性能.