基于深度学习的急性缺血性中风MRI病变的细分和出院后1年内复发的预测:一个多中心研究

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 脑卒中医学 脑卒中医学

背景情况:

• 急性缺血性中风 (AIS) 构成了重大的健康挑战,需要精确的病变细分和复发预测.
• 大脑磁共振成像 (MRI) 对于诊断和监测AIS至关重要.
• 预测AIS复发有助于及时干预和改善患者的治疗结果.

研究的目的:

• 评估深度学习模型 (MRA-UNet) 的性能,用于对AIS患者的心脏病发作脑病变进行细分.
• 评估放射学在预测AIS复发的一年内放电后的价值.
• 开发和验证一个预测模型,整合放射学和AIS复发的临床因素.

主要方法:

• 一个多尺度的残留注意力UNet (MRA-UNet) 深度学习算法被用于MRI损伤细分.
• 后勤回归分析确定了AIS复发的独立风险因素.
• 四个机器学习算法 (LR,RF,CatBoost,XGBoost) 用于使用放射学和临床数据构建预测模型.

主要成果:

• MRA-UNet模型实现了高细分精度,平均子 (MDice) 为0.816和平均账单 (MIou) 为0.801.
• AIS复发的独立风险因素包括年龄,功能衰竭,C反应蛋白,甘油三糖指数,预后营养指数和心脏病发作量.
• 结合放射学和临床数据,在不同的机器学习模型中,AUC值从0.834到0.858不等.

结论:

• MRA-UNet模型在提高MRI病变细分精度方面表现出有效性.
• 结合放射学特征和临床因素的综合模型显示,它有望在一年内预测AIS复发.