空间时空特征推导和选择对基于机器学习的预测模型的后栓塞脑动脉瘤再通道化影响探索
Jing Liao1, Kouichi Misaki2, Jiro Sakamoto3
1Division of Transdisciplinary Sciences, Graduate School of Frontier Science Initiative, Kanazawa University, Ishikawa, Japan. jing.liao.deutschland@hotmail.com.
Cardiovascular engineering and technology
|May 23, 2024
概括
优化机器学习模型用于脑动脉瘤再通道化需要仔细选择血液动力学特征. 完全衍生特征和递归特征消除产生了最好的预测性能.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 计算流体动力学的流体动力学.
背景情况:
- 大脑动脉瘤带来很大的风险,而它们的栓塞后再通道化是一个关键的临床挑战.
- 机器学习 (ML) 模型为预测回化提供了潜力,但它们的性能在很大程度上取决于输入特性.
研究的目的:
- 评估血液动力学特征导出和选择方法对ML模型性能对预测脑动脉瘤再通道化的影响.
- 确定最佳的特征工程策略,以提高基于机器学习的预测准确性.
主要方法:
- 在66个脑动脉瘤上进行了计算流体动力学 (CFD) 模拟,以获得107个特征 (临床,形态,血液动力学).
- 用6个ML算法测试了两个特征导出方法 (简化,完全导出) 和四种选择方法 (所有,统计,逐步LR,RFE).
- 模型性能使用接收器操作特征曲线 (AUROC) 下面的面积和精度回调曲线 (AUPRC) 下面的面积来量化.
主要成果:
- 基于特征衍生和选择,模型性能差异很大,AUROC值从0.373到0.863.
- 完全衍生的血液动力学特征与递归特征消除 (RFE) 结合,始终优于其他方法.
- 多层感知器 (MLP) 模型,使用RFE选择的完全衍生特征,在测试数据集上达到0.863的最高AUROC.
结论:
- 特征导出和选择对于开发准确的ML模型来预测脑动脉瘤再通道化至关重要.
- 这种方法使患者管理的非侵入性,数据驱动的决策成为可能.
