在定量易感性地图上识别脑洞性形前出血的特征:一项机器学习试点研究

科学领域:

• 神经成像是一种神经成像.
• 放射学 放射学是一门学科.
• 医疗人工智能 医疗人工智能

背景情况:

• 在脑洞形形 (CCM) 中出现新出血的常规成像特征是暂时的.
• 在CCM中,尽管急性成像检测结果消失了,但仍然存在重出血的风险.
• 之前的研究将定量敏感度映射 (QSM) 的增加与新的症状出血 (SH) 联系起来.

研究的目的:

• 调查QSM特征在一个时间点可以反映之前的出血或预测未来的出血在CCMs.
• 探索机器学习在分析QSM数据中对CCM出血的实用性.
• 识别与过去或未来出血事件相关的特定QSM特征.

主要方法:

• 从120名患者的265次QSMM MRI采集中提取了28个特征.
• 应用机器学习方法来评估QSM特征与症状出血 (SH) 或生物标志物出血 (QSM增加≥6%) 之间的关联.
• 分析了QSM数据,以查看前一年和后一年出血的相关性.

主要成果:

• 在先前有SH的病变中观察到QSM特征 (和变异,变异,相关性) 的较低平均值 (p < 0.05).
• 一个支向量机器分类器使用诸如总值平均,平均损伤QSM,球形度和边缘度 (AUC = 0.61) 等特征来区分先前的生物标志物出血.
• 没有发现QSM特征与后续出血有关.

结论:

• 对QSM的机器学习分析显示,在识别CCM病变中先前的出血活动方面有希望.
• 在CCM中,QSM特征可以作为过去出血事件的生物标志物.
• 需要进一步的研究来验证这些发现并探索预测能力.