动脉斑块的分类:通过放射学方法对计算机断层扫描进行血管造影的有希望的替代方法,使用部非对比计算机断层扫描

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 动脉斑块 (CAPs) 是中风的重要危险因素.
• 准确地描述CAP对于预测中风风险至关重要.
• 非对比计算断层扫描 (NCCT) 是评估动脉的常见成像方式.

研究的目的:

• 评估使用NCCT识别和分类CAPs的放射学模型的有效性.
• 开发和评估用于预测CAP亚型的分类模型.
• 为了确定不同机器学习算法在CAP表征中的性能.

主要方法:

• 使用了600名患有CAP的患者的数据集,分为培训,内部和外部测试集.
• 从NCCT图像中提取了放射性特征.
• 应用了高斯过程 (GP),支持向量机 (SVM),决策树 (DT),逻辑回归 (LR) 和随机森林 (RF) 算法来开发两级二进制分类模型 (TBCM) 和四类分类模型 (FCM).

主要成果:

• 在TBCM和FCM模型中选择了最佳特征.
• 高斯过程 (GP) 和随机森林 (RF) 模型在内部和外部测试集中表现出优异的性能,AUC高 (分别为0.892-1和0.939-1).
• 结合的GP和RF模型在分类CAP亚型方面表现出色.

结论:

• 基于NCCT的放射学模型对于识别CAP组成是有效的.
• 这种方法有望通过详细的斑块表征来改善中风风险预测.
• 机器学习算法,特别是GP和RF,在分类CAP亚型方面表现出很高的准确性.