无监督机器学习集群分析以识别基于放射学的EVAR患者临床表型
Yonggang Wang1, Min Zhou2, Yong Ding2
1Department of Vascular Surgery, The First Affiliated Hospital of Naval Medical University, Shanghai, China.
Vascular
|June 17, 2024
概括
无监督机器学习在接受腹腔大动脉动脉瘤 (AAA) 内血管大动脉修复 (EVAR) 的患者中确定了不同的临床表型. 这些基于放射学的集群预测EVAR后严重不良事件的发生率显著不同.
科学领域:
- 放射学和机器学习在医学成像中的应用.
- 血管外科手术研究成果 研究结果
- 量化医学成像分析和分析.
背景情况:
- 内血管大动脉修复 (EVAR) 是对腹腔大动脉动脉瘤 (AAA) 的常见治疗方法.
- 在EVAR后预测患者的结果仍然是一个挑战.
- 放射学为提取定量成像特征以预测结果提供了一种新的方法.
研究的目的:
- 用无监督机器学习 (UML) 基于放射学的集群分析来探索 EVAR 患者的临床表型.
- 识别EVAR后存在严重不良事件 (SAE) 的不同风险的不同患者群体.
- 在独立的培训和测试集中验证已识别的表型.
主要方法:
- 对1785名下AAA患者进行了回顾性审查,这些患者接受了选择性EVAR (2010-2020年).
- 使用Pyradiomics进行放射学特征提取,然后进行统计分析以确定与SAE相关的特征.
- 在测试组中验证的,用于表型识别的选定放射学特征的UML集群分析. 卡普兰-梅尔分析,以免发生标注企业.
主要成果:
- 分析了1180名患者,其中353人经历了与EVAR相关的SAE.
- 从1223个提取的特征中确定了23个放射性特征,以定义表型.
- 三个不同的集群被确定具有相似的临床/形态特征,但具有不同的放射性;在测试组中得到验证.
- 卡普兰-梅尔分析显示,集群之间的无SAE率存在显著差异 (p=.0216培训,p=.0253测试).
结论:
- 使用放射学,无监督的机器学习集群分析可以有效地识别EVAR患者的不同临床表型.
- 这些放射学定义的表型与严重不良事件的长期结果显著不同.
- 这种方法对个性化风险分层和改善对接受EVAR的AAA患者的管理具有前景.
