非侵入性成像生物标记揭示了急性缺血性中风 (≤24小时) 中看不见的微观变异:多中心回顾性研究

科学领域:

• 放射学 放射学是指放射学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 微观的急性缺血性中风 (AIS) 病变可以在标准的非对比计算断层扫描 (NCCT) 扫描中看不见.
• 扩散权重成像 (DWI) 是AIS检测的黄金标准,但并不总是立即可用或具有决定性.
• 放射学和机器学习 (ML) 提供了从医疗图像中提取定量特征以帮助诊断的潜力.

研究的目的:

• 开发和验证基于非对比计算断层扫描 (NCCT) 的放射学方法,结合机器学习 (ML) 来识别微观急性缺血性中风 (AIS) 病变.
• 评估ML模型在使用NCCT的放射性特征来区分微观AIS和非AIS的诊断性能.
• 评估这种方法作为放射科医生在AIS早期检测中的辅助工具的潜力.

主要方法:

• 对1122名通过DWI确诊的AIS患者进行了回顾性分析,但NCCT发现是负面的.
• 来自多个机构的数据被用于培训,内部验证和外部验证集.
• 图像处理涉及头部对齐,NCCT-DWI联合注册,兴趣体积划分和特征提取.
• 多个ML模型 (随机森林,SVM,后勤回归,MLP) 经过训练和评估,使用最少绝对收缩和选择操作员 (LASSO) 算法来选择最佳特征.

主要成果:

• 总共有1122名患者被纳入该研究.
• 在使用LASSO进行特征选择后,确定了44个最佳特征.
• 开发的放射学-ML模型表现出良好的诊断性能,接收器操作特征曲线 (AUC) 下的平均面积在不同模型中从0.787到0.808不等.
• 随机森林获得了0.808的最高AUC (95% CI 0.754至0.861).

结论:

• 将放射学与ML模型相结合,提供了一种高效,非侵入性,经济和可靠的方法,用于在NCCT上检测看不见的微观AIS.
• 这种方法可以帮助放射科医生为早期AIS诊断做出更明智的临床决定.
• 这些发现表明,基于NCCT的放射学和ML可以显著改善细微缺血变化的检测.