深度学习和机器学习预测模型用于脑内动脉瘤干预栓塞后的神经功能

科学领域:

• 神经外科 神经外科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 内动脉瘤对术后神经复杂症具有重大风险.
• 准确预测术后的亨特-赫斯等级对于患者的管理和预后至关重要.

研究的目的:

• 在内动脉瘤患者中开发术后亨特-赫斯等级的预测模型.
• 使用手术前CTA数据整合放射学和深度学习.
• 加强临床决策和改善神经功能评估.

主要方法:

• 对101名接受动脉瘤栓塞治疗的患者进行回顾性分析.
• 从CTA图像中提取了851个放射性和512个深度学习特征.
• 应用特征选择技术和使用集体学习 (堆叠) 构建放射学 (RSM),深度学习 (DLM) 和融合 (DLRSCM) 模型.

主要成果:

• 深度学习-放射学特征融合模型 (DLRSCM) 实现了最高性能,AUC为0.968和MCC为0.820.
• 深度学习模型 (DLM) 的AUC值为0.959,MCC值为0.815.
• 放射学模型 (RSM) 实现了0.935的AUC和0.793的MCC,堆叠组合模型的表现优于基础算法.

结论:

• 放射学和深度学习的整合有效地预测了内动脉瘤患者的术后亨特-赫斯等级.
• 这种综合方法为早期识别神经复杂症提供了显著的价值.
• 这些发现支持加强临床决策,以改善患者的治疗结果.