评估深度学习多标签细分模型的性能,以量化中风后MRI中的急性和慢性脑损伤,并预测预后

科学领域:

• 放射学 放射学是指放射学
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 急性缺血性中风 (AIS) 需要准确的预后才能有效地管理患者.
• 识别和量化急性和慢性脑病变对于预测结果至关重要.
• 目前的方法可能无法完全捕捉所有损伤类型的预后值.

研究的目的:

• 开发和评估一个深度学习网络,用于识别和量化AIS后的大脑病变.
• 评估模型提取的放射性特征与患者预后之间的关系.
• 通过调解分析,探索治疗特异性的预后因素.

主要方法:

• 开发了一个基于SegResNet的深度学习模型,用于在MRI上对心脏病发作和白质超强度 (WMH) 进行细分.
• 该模型在一大群AIS患者 (n=1008) 上进行了训练和验证,并使用了手册标签.
• 临床和模型提取的放射性特征被用来预测7天患者的结果 (修改的兰金尺度).

主要成果:

• 综合预后模型在外部测试数据集中实现了0.81和0.77的ROC曲线下的面积.
• 深度WMH显示,对血栓溶解治疗患者的不良结果有显著的直接和间接影响.
• 在接受抗血小板剂或抗凝固剂治疗的患者中没有观察到这种关联.

结论:

• 深度学习模型有效量化大脑病变,并预测短期AIS结果.
• 在接受血栓溶解的患者中,WMH负担,特别是深层WMH,是预后不佳的重要风险因素.
• 这些发现突出了人工智能在个性化中风预测和治疗分层方面的潜力.