基于磁共振成像的深度学习成像生物标志物,用于预测急性缺血性中风后的功能结果

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 神经学和中风研究 神经学和中风研究

背景情况:

• 临床风险评分对于预测急性缺血性中风 (AIS) 患者的结果至关重要.
• 深度学习 (DL) 提供了先进的方法,用于开发使用磁共振成像 (MR) 的预测应用程序.
• 需要改进的生物标志物来提高中风结果的预测.

研究的目的:

• 开发一种新的基于MR的DL成像生物标志物,用于预测AIS患者的功能结果.
• 评估该DL生物标志物对现有的临床风险评分的预测附加值.

主要方法:

• 一个DL模型在3338名AIS患者的MRI图像和放射学数据上受过训练.
• 该模型生成了DL分数,作为预测3个月功能结果的成像生物标志物.
• 生物标志物的表现与五个已确定的风险得分进行了比较,并评估了其增量价值.

主要成果:

• 该DL成像生物标志物表现出强大的预测性能 (AUC 0.788),与现有的几种风险得分可比.
• 纳入DL生物标志物显著改善了临床风险评分的预测准确性 (AUC增加,p < 0.001).
• 净重新分类和综合歧视改进证实了DL生物标志物的实质性附加值.

结论:

• 使用DL开发基于MR的成像生物标志物是可行的,用于预测中风的结果.
• 这种DL成像生物标志物有效地提高了当前临床风险评分的预测能力.
• 这些发现支持将人工智能驱动的成像生物标志物整合到常规中风护理中,以改善患者管理.