深度学习模型集成放射学和临床数据来预测缺血性中风后的死亡率
Changi Kim1, Joon-Myoung Kwon2,3,4, Jiyeong Lee5
1Department of Bioengineering, Seoul National University, Seoul, Republic of Korea.
Heliyon
|June 3, 2024
概括
集大脑成像 (DWI,ADC) 和临床数据的深度学习模型准确预测缺血性中风死亡率. 这种综合方法改进了现有的识别高风险患者的方法.
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:
- 缺血性中风死亡率的现有预后指数往往缺乏关键的放射性信息.
- 准确的死亡率预测对于及时干预和患者管理至关重要.
研究的目的:
- 开发和验证用于预测缺血性中风死亡率的深度学习模型.
- 将脑扩散加权成像 (DWI),明显扩散系数 (ADC) 数据和临床因素整合到一个新的预测模型中.
主要方法:
- 一个深度学习算法 (DLP_DWI) 最初使用来自缺血性中风患者的DWI和ADC数据进行训练.
- 临床因素被纳入,以创建一个综合模型 (DLP_INTG).
- 模型性能使用时间依赖的AUC (TD AUC) 和C指数对内部和外部数据集进行了一年死亡率预测.
主要成果:
- DLP_DWI模型显示了中等的预测性能 (TD AUC:0.643内部,0.785外部).
- 集成的DLP_INTG模型在内部 (TD AUC: 0.859) 和外部 (TD AUC: 0.876) 数据集中显著超过了现有的得分.
- 两种模型都显示出强烈的歧视来识别高风险的一年死亡率的患者.
结论:
- 集成神经成像 (DWI,ADC) 和临床数据的深度学习模型可以有效地预测缺血性中风患者的一年死亡率.
- 与传统方法相比,开发的DLP_INTG模型提供了更准确和更全面的预测工具.
- 这种方法有望改善风险分层,并在急性缺血性中风护理中指导治疗决策.
更多相关视频
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
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
