一个机器学习模型揭示了急性缺血性中风 (≤6小时) 在非对比计算断层扫描中看不见的微观变化

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 非对比计算断层扫描 (NCCT) 是急性缺血性中风 (AIS) 的主要诊断工具.
• 在NCCT上,早期心脏病发作在精确检测和量化方面存在挑战,原因是微妙的密度差异.
• 及时诊断对于有效治疗AIS至关重要.

研究的目的:

• 评估基于放射学的机器学习模型,以评估使用NCCT的AIS风险.
• 为了使NCCT图像上的AIS病变能够进行自动定量评估.
• 为了提高早期中风诊断的准确性和速度.

主要方法:

• 一项回顾性研究包括228名AIS患者,在发病6小时内获得NCCT扫描.
• NCCT图像与MRI扩散加权成像 (DWI) 扫描进行了共同记录.
• 一个随机森林 (RF) 机器学习模型在内部数据集上进行了训练和验证,并在独立数据集上进行了测试.

主要成果:

• 射频模型在训练,验证和测试集中表现出强大的诊断性能.
• 在ROC曲线下的面积从0.789到0.858.8不等.
• 精度从73.97%到79.40%不等,敏感度和特异性在各组之间有所不同.

结论:

• 基于NCCT的放射学与机器学习相结合,可以在发病6小时内有效地区分AIS和非AIS患者.
• 这种方法为改善早期中风诊断提供了一种有希望的方法.
• 这些发现表明,通过早期干预,有可能改善患者的治疗结果.