使用机器学习对导致脑动脉瘤破裂的形态特征进行全面的调查
Mostafa Zakeri1,2, Amirhossein Atef1, Mohammad Aziznia1
1CNNFM Lab, School of Mechanical Engineering, College of Engineering, University of Tehran, 1450 Kargar St. N., Tehran, 14399-57131, Iran.
Scientific reports
|July 9, 2024
概括
预测脑动脉瘤破裂对于患者的治疗结果至关重要. 机器学习模型,特别是支持矢量机,在使用临床和新型形态特征识别破裂风险方面表现出高准确性和回忆.
科学领域:
- 神经外科和医学成像学
- 生物医学工程 生物医学工程
- 在医疗保健中的数据科学.
背景情况:
- 大脑动脉瘤影响着全球大量人口,破裂导致严重后果.
- 对使用传统方法的医生来说,精确预测动脉瘤破裂是具有挑战性的.
- 早期和精确的诊断指导关键的治疗决策.
研究的目的:
- 使用机器学习预测脑动脉瘤破裂状态.
- 利用3D几何学的临床和形态数据来改善预测.
- 帮助医生做出自信的治疗选择,并可能挽救生命.
主要方法:
- 利用了708个脑动脉瘤的数据集,其中有3个临床特征和35个形态特征.
- 开发和训练了5个分类机器学习算法.
- 引入了8个新的形态特征,包括理想的圆度,子周长和出口号码.
主要成果:
- 模型以准确度 (0.76-0.82) 和精度 (0.79-0.83) 实现了高性能.
- 由于情况的危急性,优先考虑召回,模型实现了从0.85到0.92.9的召回得分.
- 支持矢量机表现出卓越的性能,准确度为0.82,回忆率为0.92,AUC为0.84.
结论:
- 机器学习模型可以显著提高脑动脉瘤破裂的预测.
- 主要的形态特征,如圆度指数,尺寸比,形状不规则,理想圆度,子周长和出口数,都是关键的预测因素.
- 这种方法为在动脉瘤管理中做出明智的临床决策提供了宝贵的见解.
更多相关视频
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
40.2K
11:50A Standardized Pipeline for Examining Human Cerebellar Grey Matter Morphometry using Structural Magnetic Resonance Imaging
Published on: February 4, 2022
4.0K
