在立体射线外科手术后,DSA定量分析和脑AVM中消字的预测建模
Mohamed Sobhi Jabal1,2, Marwa A Mohammed3, Cody L Nesvick4
1From the Department of Radiology (M.S.J., M.A.M., H.K., W.B.), Mayo Clinic, Rochester, Minnesota m.sobhi.jabal.research@gmail.com.
AJNR. American journal of neuroradiology
|September 12, 2024
概括
使用数字减去血管学 (DSA) 放射学的机器学习模型可以预测在立体射线手术 (SRS) 后的大脑动脉静脉形 (AVM) 消灭. 这种方法为AVM治疗预后提供了比临床因素更好的准确性.
科学领域:
- 神经成像是一种神经成像.
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 立体射线手术 (SRS) 是脑动脉静脉形形 (AVM) 的主要治疗方法.
- 由于复杂的AVM表现和不断发展的技术,预测治疗成功 (消灭) 是一个挑战.
- 数字减去血管学 (DSA) 是评估SRS后AVM消灭的黄金标准.
研究的目的:
- 开发和评估机器学习模型,用于预测SRS后的AVM消灭.
- 利用DSA图像 (放射学) 的定量特征来提高预测准确性.
- 将放射性模型的性能与传统的临床和放射性手术预测器进行比较.
主要方法:
- 分析了100名接受SRS治疗大脑AVM的患者的前性注册表.
- 从SRS前的DSA图像中提取了定量放射性特征.
- 机器学习模型 (包括AdaBoost和梯度提升分类器) 被训练来预测未成功的两年内消灭.
- 用AUROC,准确度,F1分数,回忆和精度来评估模型性能.
- 沙普利增量解释 (SHAP) 用于模型解释.
主要成果:
- 放射性模型显著优于临床/放射性手术模型.
- 最好的放射性模型 (AdaBoost分类器) 实现了79%的AUROC和75%的召回.
- 关键预测因素包括病变体积,患者年龄,剂量率,发作存在,以及特定的放射性特征 (例如,灰色级大小区域矩阵,化).
结论:
- 将放射学与机器学习相结合,显示出在SRS后预测AVM消灭的显著前景.
- 高分辨率的DSA对于提高SRS治疗AVM的预后有价值.
- 透明的模型解释对于放射性特征的临床验证至关重要.
