一个可解释的机器学习模型,用于在有症状的内动脉缩动脉狭窄症患者中中风复发
Yu Gao1, Zi-Ang Li1, Xiao-Yang Zhai1
1Department of Radiology Center, The First Affiliated Hospital of Xinxiang Medical University, Xin Xiang, China.
Frontiers in neuroscience
|January 23, 2024
概括
机器学习准确地预测了症状内动脉缩缩症 (SICAS) 患者中风复发的情况. 开发的模型使用高分辨率血管壁成像,识别了个性化治疗策略的关键风险因素.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 症状性内动脉缩狭窄症 (SICAS) 是缺血性中风和复发的主要原因.
- 脑卒中复发显著影响患者的预后.
- 预测模型对于管理SICAS患者至关重要.
研究的目的:
- 开发一种机器学习模型,用于在SICAS中预测中风复发.
- 使用高分辨率血管壁成像 (HR-VWI) 数据进行预测.
- 在SICAS中确定中风复发的独立风险因素.
主要方法:
- 对180名SICAS患者 (2020-2022) 数据的回顾性分析.
- 使用临床和HR-VWI数据上的LASSO回归来选择特征.
- 开发和比较五个机器学习模型 (LR,SVM,GNB,CNB,kNN).
- 使用AUC,AUPRC和SHAP分析进行模型性能评估.
主要成果:
- 拉索确定了高血压史,同氨酸,NWI值,狭窄率,内出血,积极的重塑和增强等级作为危险因素.
- 高斯的天真贝叶斯 (GNB) 模型显示出优异的预测性能 (AUC 0.813-0.912,AUPRC 0.655-0.833).
- SHAP分析为GNB模型的预测提供了可解释性.
结论:
- 已经开发了一个精确的机器学习模型,用于SICAS中风复发预测.
- 该模型有助于临床医生做出决策和个性化治疗.
- HR-VWI与机器学习相结合,为中风风险分层提供了一个有希望的方法.
