多模态深度学习用于预测不成功的重通道在耐火性大血管封闭的预测

科学领域:

• 神经成像和人工智能的人工智能
• 脑卒中干预和结果
• 医疗数据融合 医学数据融合

背景情况:

• 急性缺血性中风需要及时的内血管治疗 (EVT) 才能有效治疗.
• 预测EVT的结果,特别是在耐火性大血管封闭 (rLVO) 的情况下,仍然具有挑战性.
• 整合多样化的患者数据可以提高中风干预措施的预测准确性.

研究的目的:

• 开发和验证一种多模式深度学习模型,用于预测急性缺血性中风患者的EVT结果.
• 评估模型在识别耐火性LVO (rLVO) 患者中的性能.
• 与单一来源模型相比,评估综合神经成像和临床数据的贡献.

主要方法:

• 对接受EVT的599名前部循环LVO患者进行了回顾性分析.
• 使用非对比CT,CTA,CT输液和临床数据.
• 采用卷积神经网络用于成像特征提取和DAFT模块用于数据融合.

主要成果:

• 多模式模型在预测rLVO.中实现了0.70±0.02的AUC和0.39±0.02的F1得分.
• 这显著优于仅使用成像数据的模型 (AUC 0.53 ± 0.02,F1 0.19 ± 0.05).
• 可解释性方法确定了影响预测的关键临床变量和图像区域.

结论:

• 结合血管细分,临床变量和成像数据,可以提高EVT结果的预测性能.
• 这种方法可以为程序复杂性提供早期警报.
• 它有可能指导在EVT工作流程中定制和及时的干预策略.