基于机器学习的前循环脑梗塞的分类,使用计算流体动力学和CT输液指标
Xulong Yin1,2, Yusheng Zhao1,2, Fuping Huang1,2
1Department of Neurology, The First Affiliated Hospital of Soochow University, 899 Pinghai Road, Suzhou 215006, China.
Brain sciences
|May 1, 2025
概括
这项研究整合了CT输液,CFD和机器学习,以对内动脉缩狭窄症 (ICAS) 中的中风机制进行分类. 多模式方法准确地区分了中风亚型,有助于对缺血性中风患者进行个性化治疗.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 计算流体动力学的流体动力学.
背景情况:
- 内动脉硬性狭窄 (ICAS) 是前循环缺血性中风的主要原因.
- 准确的中风机制分类对于个性化治疗策略至关重要.
- 现有的方法缺乏全面整合成像,解剖和血液动力学数据.
研究的目的:
- 在ICAS中开发和验证一个综合框架来对中风机制进行分类.
- 结合CT输液成像,血管解剖学,CFD和机器学习.
- 根据中国缺血性中风分类 (CISS) 系统对中风机制进行分类.
主要方法:
- 对118名ICAS患者的回顾性分析.
- 使用ANOVA和嵌套交叉验证进行特征选择.
- 机器学习模型 (逻辑回归,天真贝叶斯) 使用ROC和PR曲线进行评估.
主要成果:
- 关键指标:Tmax>4.0秒,WSSR,压力比和百分比区域狭窄.
- 确定了Tmax和WSSR的最佳值.
- 后勤回归实现了最高的分类性能 (AUC = 0.91,AP = 0.85).
结论:
- 多式联络方法有效地区分了前循环ICAS中风机制.
- 这一框架显示了改善诊断和指导个性化治疗的前景.
- 多种数据类型的整合提高了中风分类的准确性.
