基于4D-Flow MRI和HR-MRI的内动脉瘤不稳定性预测模型
Fei Peng1, Jiaxiang Xia1, Fandong Zhang2
1Beijing Neurosurgical Institute and Beijing Tiantan Hospital, Capital Medical University, Beijing, China.
概括
使用四维流动MRI和高分辨率MRI的新混合模型准确地预测了内动脉瘤的不稳定性. 这种先进的深度学习方法为患者护理提供了改进的诊断能力.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 神经外科 神经外科
背景情况:
- 内动脉瘤 (IA) 构成重大风险,预测其不稳定性对于及时干预至关重要.
- 当前的预测模型往往缺乏可靠的不稳定性评估所需的精度.
- 先进的成像技术和机器学习为改善IA风险分层提供了潜力.
研究的目的:
- 开发和验证一个可靠的预测模型,用于内动脉瘤不稳定.
- 利用四维流动MRI (4D-Flow MRI) 和高分辨率MRI (HR-MRI) 数据进行增强的预测.
- 为了比较一个新的集体学习框架的性能与现有的临床风险得分和放射学.
主要方法:
- 从两个中心策划了一个前性数据集,通过症状,形态变化或破裂来定义不稳定的动脉瘤.
- 开发了一个集体学习框架,即混合模型,它结合了4D-Flow逻辑回归 (4D-Flow-LR) 和多作物注意力分支网络 (MicroAB-Net).
- 使用曲线下的面积 (AUC) 评估模型性能,并与PHASES LR,ELAPSS LR,AWE LR和Radiomics进行比较.
主要成果:
- 混合模型在预测IA不稳定性方面表现出卓越的表现.
- 在初级队列 (213个IA),混合模型实现了0.854.85的AUC.
- 在验证队列 (53个IA) 中,混合模型实现了0.876的AUC,超过了基线模型.
结论:
- 开发的混合模型显示了对准确预测内动脉瘤不稳定性的重大前景.
- 将4D-FlowMRI和HR-MRI与高级合体学习相结合,为临床决策提供了一个强大的工具.
- 这种方法可以为内动脉瘤患者提供更个性化,更有效的治疗策略.
