机器学习辅助预测从血管图像参数成像获得的特征在内动脉瘤中持续不完整的闭塞
Sheng-Qi Hu1, Mirzat Turhon1, Ting Liu1
1Department of Interventional Neuroradiology, Beijing Neurosurgical Institute, Capital Medical University, 100070, Beijing, PR China (S.Q.H., M.T., T.L., W.L., X.Y.); Department of Neurosurgery, Beijing TianTan Hospital, Capital Medical University, 100070, Beijing, PR China (S.Q.H., M.T., T.L., W.L., X.Y.).
Academic radiology
|June 3, 2025
概括
使用血管学参数成像的机器学习模型在流量转移器治疗后有效预测不完整的内动脉瘤封闭. 关键预测因素包括血流比率和患者因素.
科学领域:
- 神经内血管外科手术是一种神经内血管手术.
- 医学成像分析分析 医学成像分析
- 机器学习在医学中的应用
背景情况:
- 内动脉瘤 (IAs) 具有重大风险.
- 流量转移器 (FD) 处理是IA的常见干预措施.
- 预测治疗结果,特别是持续的不完全封闭,对于患者管理至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测FD治疗后IA的持续不完全封闭.
- 用传统和新型成像参数确定治疗成功的关键预测因素.
- 将血管学参数成像 (API) 衍生特征集成到预测模型中.
主要方法:
- 分析了来自763名患者的834名FD治疗的IA,分为训练和测试组.
- 开发六个ML模型,包括临床,形态和API衍生特征.
- 使用曲线下面积 (AUC) 和精度进行性能评估;通过SHAP分析评估特征重要性.
主要成果:
- 随机森林模型在测试组中实现了最高的预测性能 (AUC=0.803,精度=0.833).
- 发现的关键预测因素包括脑血流 (CBF) 比率,放射学分数 (Radscore),合并的分支,年龄,高血压和FD加卷轴.
- 亚组分析显示了FD单独与FD加卷轴治疗的不同预测因素.
结论:
- 结合临床,形态和API数据的ML模型在预测FD治疗后不完整的IA封闭方面是有效的.
- CBF比率和Radscore是重要的预测因素,以及患者特异性和与治疗相关的因素.
- 这些发现可以帮助优化治疗策略和患者选择IA管理.
