预测血瘤扩张和脑损伤的预后:放射学临床方法

科学领域:

• 神经外科和放射科的神经外科和放射科
• 人工智能在医学中的应用
• 医学成像分析 医学成像分析

背景情况:

• 脑的出血进展 (HPC) 显著影响脑 (CC) 患者的预后.
• 早期评估和预测HPC对于定制干预和改善患者结果至关重要.
• 当前的预测方法可能会从先进的特征提取和机器学习集成中受益.

研究的目的:

• 开发和验证脑 (CC) 中血性脑进展 (HPC) 的预测模型.
• 评估放射性特征的附加值与临床数据相结合,用于预测HPC和患者预后.
• 创建视觉名ograms用于实际临床应用在预测结果的CC患者.

主要方法:

• 在452名CC患者的CT图像上使用Attention-3DUNet对血瘤进行半自动细分.
• 从358个血瘤中提取和选择1502个放射性特征,以计算放射性特征 (Radscore).
• 使用机器学习开发联合 (放射学+临床) 和临床预测模型,对170名患者进行外部验证.

主要成果:

• 组合模型实现了HPC预测的AUC为0.848 (测试) 和0.836 (外部验证).
• 临床模型的预后预测AUC为0.846 (测试) 和0.803 (外部验证).
• 放射性特征表明不规则,异质血瘤增加HPC的可能性;更大的尺寸和更低的密度与预后不佳相关.

结论:

• 整合放射性和临床特征的预测模型在预测HPC和CC患者的不良预后方面表现强.
• 放射性特征在预测HPC方面补充了临床数据,但它们对不良预后的临床模型准确性的增强是有限的.
• 该研究强调了人工智能驱动的放射学在改善脑损伤管理和结果方面的潜力.