基于机器学习的急性缺血性中风的预后预测,使用全脑和心脏病多PLD ASL 放射学

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.
• 机器学习 机器学习

背景情况:

• 准确的早期预后预测对于急性缺血性中风 (AIS) 的个性化治疗至关重要.
• 从多次标记后延迟动脉旋转标记 (多PLD ASL) 大脑血流 (CBF) 图像中评估放射学的预测价值是关键.
• 开发结合成像和临床数据的综合预测模型至关重要.

研究的目的:

• 评估通过多PLDASL获得的全脑和心脏病发作CBF图像中的放射学特征的预测能力.
• 开发和比较AIS预后的放射学,临床和综合预测模型.
• 评估这些预测模型的临床实用性和稳定性.

主要方法:

• 从110名AIS患者的多PLD ASL CBF图像中提取了放射性特征.
• 五个机器学习算法被用来构建放射学,临床和综合模型.
• 用ROC分析,决策曲线和排列测试来评估模型性能.

主要成果:

• 组合放射学模型的表现优于仅使用心脏病发作模型,并且表现与临床模型相似.
• 综合放射学和临床特征的综合模型显示出卓越的预测性能.
• 一个基于支矢量机器的综合模型实现了最高的AUC (0.904),由临床和放射性特征驱动.

结论:

• 全脑CBF放射能可以替代心脏病特征,简化分析.
• 组合放射学模型是有价值的,特别是当临床数据不完整时.
• 综合多PLD ASL CBF放射学和临床数据的综合模型为早期AIS预后提供了强大的工具.