一个多模组合深度学习模型,用于功能性结果预测中风患者的预后
Hye-Soo Jung1, Eun-Jae Lee1, Dae-Il Chang2
1Department of Neurology, Asan Medical Center, University of Ulsan College of Medicine, Seoul, Korea.
Journal of stroke
|June 5, 2024
概括
预测急性缺血性中风 (AIS) 的功能结果至关重要. 集成成像和临床数据的集体深度学习模型准确地预测了90天的结果,优于单一模式的方法.
科学领域:
- 神经成像是一种神经成像.
- 人工智能在医学中的应用
- 脑卒中研究 脑卒中研究
背景情况:
- 准确预测急性缺血性中风 (AIS) 的功能结果对于临床决策至关重要.
- 当前的预测方法通常依赖于单个数据模式,限制准确性.
- 在中风护理中最佳的资源利用需要精确的结果预测.
研究的目的:
- 开发一个集体深度学习模型,用于预测AIS患者90天的功能结果.
- 整合多式联运数据,包括成像和临床信息,以提高预测准确度.
- 为了比较多式联动组合模型与单式联动模型的性能.
主要方法:
- 利用来自韩国中风神经成像倡议数据库的数据.
- 构建了一个组合模型,将3D CNNs用于扩散加权成像和FLAIR,以及DNN用于临床数据.
- 预测90天的功能独立性使用修改的兰金尺度 (mRS) 得分为3-6.
主要成果:
- 整体模型实现了0.830 (标准CV) 和0.779 (基于时间的CV) 的曲线下的面积 (AUC).
- 这种多式模式显著优于基于扩散加权成像 (b值1000s/mm2,明显扩散系数图) 和FLAIR.的单个模型.
- 性能也优于仅使用临床数据的模型.
结论:
- 整合多式成像和临床数据显著改善了AIS患者90天功能结果的预测.
- 与单个数据模式预测相比,开发的集体深度学习模型提供了一种优越的方法.
- 这一发现支持使用多式联络数据集成来更准确地预测中风的结果.
