使用放射学模型预测库辛病的延迟缓解:一项多中心研究

科学领域:

• 内分泌学 在内分泌学.
• 神经外科 神经外科
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 库辛病 (CD) 的管理涉及跨形手术 (TSS).
• 预测TSS后的延迟缓解 (DR) 对患者的结果至关重要.
• 现有的多中心放射学模型没有预测CD中TSS后的DR.

研究的目的:

• 开发和验证临床和放射学模型,用于预测CD中TSS后的DR.
• 为了利用多中心数据进行强大的模型开发.
• 为了确定延迟缓解的关键预测因素.

主要方法:

• 对来自三个中心的122名CD患者 (2000-2019年) 的回顾性分析.
• 使用T1加权的加多增强型MRI和临床数据.
• 开发了使用深度学习的自动化兴趣区域 (ROI) 定义.
• 构建了10个机器学习模型,用ROC AUC评估性能.

主要成果:

• 总体DR率为44.3%. 这是一个很好的数字.
• 更高的BMI和更低的术后皮质醇水平与更高的DR率相关.
• XGBoost模型表现出卓越的性能 (AUC为0.767临床,0.819放射性).
• SHAP和LIME分析确定手术后皮质醇和BMI是最重要的预测因素.

结论:

• 放射学模型提供了一种有希望的非侵入性方法,用于预测CD中的DR后TSS.
• 这些模型可以帮助神经外科医生进行治疗计划.
• 需要在更大的队列中进一步验证.