高分辨率磁共振成像放射学用于识别高风险的内斑块
Fang Wu1,2, Hai-Ning Wei3, Miao Zhang1,2
1Department of Radiology and Nuclear Medicine, Xuanwu Hospital, Capital Medical University, 45 Changchun Street, Beijing, 100053, China.
Translational stroke research
|March 20, 2025
概括
使用深度学习和机器学习进行放射性分析,可以从高分辨率磁共振成像 (HRMRI) 中准确识别高风险的内斑块. 这种先进的模型显著改善了症状与无症状斑块的分化,有助于预测中风.
科学领域:
- 神经成像和放射学研究.
- 心血管研究研究心血管研究
- 人工智能在医学中的应用
背景情况:
- 易受损伤的斑块破裂是急性缺血性中风的主要原因.
- 识别高风险斑块对于预测脑血管事件至关重要.
- 目前的斑块风险评估方法需要改进.
研究的目的:
- 使用HRMRI的放射性特征开发高风险的内斑块模型.
- 为了区分症状和无症状的斑块.
- 为了比较放射性,传统和组合模型的性能.
主要方法:
- 招募了172名患有188个内动脉样硬化斑块的患者.
- 从对比前和后的HRMRI数据中提取了放射性特征.
- 构建传统,放射性 (使用随机森林,山脊,LASSO,DL) 和MIX模型.
主要成果:
- 传统模型 (性别,HST1,ER) 在测试组中实现了0.704的AUC.
- 放射性模型在测试组中表现出优异的性能,AUC为0.867.
- MIX模型的表现优于传统模型,实现了0.895 (p=0.032) 的改善AUC.
结论:
- 基于深度学习和机器学习的放射性分析能够准确地识别高风险的内斑块.
- 开发的放射性和MIX模型显著提高了区分症状和无症状斑块的能力.
- 这种方法提供了一个有前途的工具,通过识别易受损伤的斑块来预测脑血管事件.
