预测NIHSS分数和急性缺血性中风严重程度使用交叉注意力视觉转换器模型与多模体MRI
Pahati Tuxunjiang1, Chencui Huang2, Zhen Zhou2
1The First Affiliated Hospital of Xinjiang Medical University, Department of Radiology, Urumqi, Xinjiang Uygur Autonomous Region, PR China (P.T., H.H.K., W.Z., R.X., A.A., Y.S., Y.W.).
Academic radiology
|June 14, 2025
概括
使用多模式MRI数据的深度学习模型有效地对急性缺血性中风 (AIS) 严重程度进行分类. 这种基于视觉转换器的方法显示了强大的性能和可解释性,用于个性化的患者管理.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在急性缺血性中风 (AIS) 中,精确分类神经功能障碍严重程度对于有效的患者管理至关重要.
- 多模式MRI数据为评估中风严重程度提供了丰富的信息,但需要复杂的分析工具.
- 现有的方法可能缺乏实时临床决策所需的精度和可解释性.
研究的目的:
- 开发和评估深度学习 (DL) 模型,以使用多模式MRI对AIS严重程度进行分类.
- 将DL模型的性能与传统的临床和放射学方法进行比较.
- 评估表现最好的DL模型的稳定性和可解释性.
主要方法:
- 分析了1227名AIS患者的回顾性队列,将他们分为轻度 (NIHSS<5) 和中度至重度 (NIHSS≥5) 组.
- 开发了八个基线模型,包括临床,放射学 (DWI,多序MRI) 和基于视觉变压器 (ViT) 的DL模型,使用各种融合策略.
- 使用AUC和ACC评估模型性能,通过子组分析和Grad-CAM可视化评估稳定性.
主要成果:
- 基于ViT的DL模型 (Model 8),利用DWI与其他MRI序列的交叉融合,实现了最高的性能 (AUC=0.914,ACC=0.830在测试队列中).
- 模型8在大多数子组和高的外部验证AUC (0.910-0.912) 中表现出强的性能.
- 格拉德-CAM可视化突出显示了心脏病核心对预测至关重要,证实了在MRI序列中模型的解释性.
结论:
- 基于ViT的DL模型,包括交叉模态MRI融合,为AIS严重程度的分类提供了一种非侵入性和有效的方法.
- 该模型的强大性能,稳定性和可解释性使其成为个性化AIS管理的宝贵工具.
- 这种方法有助于改善AIS患者的临床决策和量身定制的治疗策略.
