后循环缺血性中风:基于放射学的机器学习方法来识别磁共振成像的发病时间
Zhenhao Liu1,2, Shiyu Zhang1, Yuxin Wang1
1Department of Radiology, Beijing Friendship Hospital, Capital Medical University, 95 YongAn Road, Xicheng District, Beijing, 100050, People's Republic of China.
Neuroradiology
|April 9, 2024
概括
机器学习模型现在可以使用扩散加权成像有效地估计后循环缺血性中风 (PCIS) 的发病时间. 一个随机森林模型在识别中风发病时表现出高准确性和稳定性.
科学领域:
- 神经学 神经学
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 后循环缺血性中风 (PCIS) 具有独特的特征.
- 以前用于预测中风发作的机器学习 (ML) 模型主要使用前循环中风数据.
- 没有研究评估了用于PCIS发病时间识别的ML模型.
研究的目的:
- 开发和评估基于扩散权重成像的ML模型,以确定PCIS的发病时间.
- 评估ML模型在PCIS发病时间预测中的有效性和稳定性.
主要方法:
- 包括连续PCIS患者在症状发作后24小时内.
- 从扩散权重成像中提取的图像特征,使用兴趣细分的体积.
- 构建并评估了五种ML模型 (天真贝叶斯,逻辑回归,树组合,k-最近邻居,随机森林) 以对发病时间进行二进制分类 (≤4.5小时或>4.5小时).
主要成果:
- 随机森林模型在独立测试组中表现最好,AUC为0.840.
- 这种模型实现了高精度 (83.7%),灵敏度 (64.3%),特异性 (91.4%) 和稳定性 (RSD = 0.0094).
结论:
- 基于PCIS病例的ML模型对于估计症状发病时间是有效的.
- 开发的模型在PCIS发病预测方面显示出相当大的特异性和稳定性.
更多相关视频
10:25Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping
Published on: September 25, 2019
48.0K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
