机器学习可以预测经典三神经疼痛对穿皮气球压缩治疗反应的放射学模型
Ji Wu1, Chengjian Qin2, Yixuan Zhou1
1Department of Neurosurgery, Zhongnan Hospital, Wuhan University, Wuhan, China.
Frontiers in neurology
|December 12, 2024
概括
使用临床成像的机器学习模型可以预测通过皮肤气球压缩 (PBC) 进行经典三角神经疼痛 (CTN) 后的复发. 这种方法有望改善CTN患者的治疗结果.
科学领域:
- 神经外科 神经外科
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 经典的三角神经疼痛 (CTN) 显著损害了患者的生活质量.
- 穿皮气球压缩 (PBC) 是CTN的治疗方法,但复发很常见.
- 预测PBC后的复发对于有效的CTN管理至关重要.
研究的目的:
- 开发机器学习模型,用于预测CTN患者PBC后复发.
- 评估临床成像特征在预测治疗结果中的有用性.
- 为了确定与PBC后TN复发相关的成像生物标志物.
主要方法:
- 来自CTN患者的临床和手术内气球成像数据的回顾性分析 (2017年1月-2023年8月).
- 使用最少绝对收缩和选择运算符 (LASSO) 和随机森林算法进行预测.
- 使用ROC曲线分析和决策曲线分析 (DCA) 评估模型性能.
主要成果:
- 特定的成像特征 (例如,Original_Shape_Maximum2D,DiameterRow,Original_Shape_Elongation) 被确定为PBC后TN预后的预测因素.
- 最终的预测模型实现了ROC曲线下的面积为0.872.2.
- DCA和校准曲线表明,名图具有很强的临床应用潜力.
结论:
- 将机器学习与临床成像和数据集成为预测CTN中PBC结果提供了一个强大的工具.
- 开发的模型表明其适用于临床应用,用于管理PBC后CTN患者.
- 这种预测方法可以帮助优化治疗策略,改善三角神经疼痛患者的护理.
