基于位置放射学的机器学习模型能够准确预测老年患者急性中风早期神经功能恶化
Xiaoming Fu1, Chuanyang Zhang1, Hongjie Huang2
1Department of Radiology, The Affiliated Gaochun Hospital of Jiangsu University, Nanjing, China.
Frontiers in aging neuroscience
|May 8, 2025
概括
在老年中风患者中预测神经系统早期恶化至关重要. 结合病变位置和放射学的机器学习模型显示出高精度,使得及时干预和改善患者的结果.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 早期识别患有早期神经病变 (END) 风险的老年中风患者对于有效的临床管理至关重要.
- 脑卒中损伤位置显著影响患者的治疗结果和病情恶化的风险.
研究的目的:
- 在老年中风患者中绘制与END相关的病变位置.
- 开发和验证一个机器学习模型,整合损伤位置和放射学来预测END.
主要方法:
- 分析了709名老年中风患者的队列.
- 三个机器学习模型 (逻辑回归,随机森林,支持矢量机) 使用位置特征,放射学和组合方法 (Loc-Rad) 构建.
- 模型性能使用ROC曲线,决策曲线分析和SHAP进行解释性评估.
主要成果:
- 特定的损伤位置 (双侧小脑,左侧基底,左侧冠状放射,右叶) 与END有显著的关联.
- 结合Loc-Rad模型的性能优于仅使用位置或放射学模型的模型.
- 基于随机森林的Loc-Rad模型在训练组中实现了0.883的AUC,在验证组中达到0.818.
结论:
- 综合性损伤网络映射有助于预测老年人中风的END.
- 整合位置和放射学的机器学习模型为快速预测END风险提供了强大的工具.
- 这种预测模型支持及时干预和个性化治疗策略,以获得更好的患者结果.
