根据急性阶段非对比CT和临床信息预测缺血性中风的功能结果
Yongkai Liu1, Yannan Yu1, Jiahong Ouyang1
1From the Departments of Radiology (Y.L., J.O., B.J., S.O., Y. Yang, M.E.M., J.J.H., G.Z.) and Neurology (M.L., G.A.), Stanford University School of Medicine, 1201 Welch Rd, Stanford, CA 94305-5488; Department of Radiology, University of California-San Francisco, San Francisco, Calif (Y. Yu); Department of Electrical Engineering (J.O.) and Department of Environmental Health and Safety (J.W.), Stanford University, Stanford, Calif; Henry M. Gunn Senior High School, Palo Alto, Calif (S.L.L.); National Heart and Lung Institute, Imperial College London, London, UK (G.Y.); Neurology Service, Department of Clinical Neurosciences, Lausanne University Hospital and University of Lausanne, Switzerland (P.M.); Department of Neurology, University of California Los Angeles, Los Angeles, Calif (D.S.L.); and Department of Neuroradiology, University of Texas MD Anderson Cancer Center, Houston, Tex (M.W.).
结合CT扫描和临床数据的深度学习模型准确地预测了缺血性中风患者的90天结果. 这种融合方法提高了与仅使用成像或临床数据相比的预测准确性.
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:
- 预测急性缺血性中风的临床结果对于资源分配和临床试验设计至关重要.
- 当前的预测方法通常需要手动的特征工程和耗时的后处理.
- 需要使用急性阶段中风数据进行高效和准确的预测模型.
研究的目的:
- 开发和评估一种深度学习 (DL) 模型,该模型将非对比增强CT (NCCT) 成像和临床数据融合在一起,用于预测90天修改的兰金尺度 (mRS) 评分.
- 为了将融合DL模型的性能与仅使用NCCT或仅使用临床信息的模型进行比较.
主要方法:
- 一项回顾性研究利用了来自6个多中心试验和注册表的1335名患者的数据.
- 使用NCCT扫描和临床数据 (年龄,性别,NIH中风量表,并发症) 训练了一个DL模型.
- 评估模型性能是使用特定mRS预测的平均绝对误差 (MAE) 和不良结果的接收器操作特征曲线 (AUC) 下的面积.
主要成果:
- 与仅用于成像 (1.10) 和仅用于临床 (1.00) 的模型相比,融合DL模型在预测mRS得分方面实现了较低的MAE (0.94).
- 合并模型在预测不利结果方面表现出卓越的表现,AUC为0.91,超过仅成像 (0.85) 和仅临床 (0.88) 模型.
- 统计分析证实,合并模型的预测准确度有显著改善 (P < .001对于MAE与仅成像,P < .001对于AUC与仅成像和仅临床).
结论:
- 集成NCCT成像和临床数据的深度学习模型显著提高了急性缺血性中风90天mRS得分的预测.
- 融合模型提供了比仅依赖于成像或临床信息的模型更好的准确性.
- 这种方法对更精确的患者管理和中风护理中的临床试验分层有希望.
相关概念视频
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Imaging Studies for Cardiovascular System V: CT


