结合计算流体动力学,结构分析和机器学习来预测脑血管事件:一种温和的ML方法
Panagiotis K Siogkas1, Dimitrios Pleouras1, Vasileios Pezoulas1
1Unit of Medical Technology and Intelligent Information Systems, Department of Materials Science and Engineering, University of Ioannina, 45110 Ioannina, Greece.
Diagnostics (Basel, Switzerland)
|October 16, 2024
概括
现在可以使用一种结合计算流体动力学,结构分析和机器学习的新方法来预测动脉疾病引起的中风. 这种方法可以准确地识别患有脑血管事件高风险的患者.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 动脉动脉中的动脉硬化斑块可能会破裂,导致脑血管事件,如中风.
- 准确预测这些事件对于及时的临床干预和改善患者结果至关重要.
研究的目的:
- 通过整合计算流体动力学 (CFD),结构分析和机器学习 (ML) 来开发脑血管事件的预测模型.
- 将成像和非成像数据结合起来,以提高 carotid 动脉样硬化和后续事件的风险评估.
主要方法:
- 利用3D重建和血液流动模拟,从134名无症状个体中提取斑块特征.
- 整合斑块数据与患者特定的临床信息,用于风险评估.
- 采用渐变增强树 (GBT) 分类器,解决数据不平衡以训练预测模型.
主要成果:
- 优化的GBT模型表现出高预测能力,具有88%的平衡精度.
- 在曲线下的接收器运行特征面积 (ROC AUC) 达到0.92.
- 报告的灵敏度为0.88和特异性为0.91,表明性能强.
结论:
- 这种新的方法有效地整合了CFD,结构分析和ML来预测脑血管事件风险.
- 这种预测工具可以显著帮助临床医生评估动脉疾病患者的风险.
- 加强风险分层有潜力改善临床决策和患者的治疗结果.
