通过机器学习,根据常见的动脉来预测内动脉系统风险

科学领域:

• 血管医学 血管医学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 早期识别内动脉 (ICA) 疾病对于预防中风至关重要.
• 目前的诊断方法往往是昂贵的,需要专门的专业知识,限制了可访问性.
• 开发高效的查工具对于及时干预至关重要.

研究的目的:

• 开发一个可解释的机器学习 (ML) 模型来预测ICA疾病风险.
• 利用常见的动脉 (CCA) 功能来进行可访问和高效的查.
• 从CCA数据中识别ICA疾病的关键预测因素.

主要方法:

• 分析了来自1612名患者的临床数据 (806名高风险,806名低风险ICA疾病).
• 使用CCA特征训练五个ML模型:血液流动,亲密介质厚度,内部直径,年龄和性别.
• 使用准确度,灵敏度,特异性,AUC-ROC和F1得分来评估模型性能;用于预测因子识别的SHAP分析.

主要成果:

• 支持矢量机 (SVM) 模型实现了最高的性能 (精度84.9%,AUC92.6%).
• SVM的性能优于神经网络 (准确率为81.4%,AUC为89.8%).
• SHAP分析确定了CCA血流 (负相关性) 和亲密介质厚度 (正相关性) 作为主要预测因素.

结论:

• 使用可解释的ML分析CCA的血液动力学和结构特征,可以有效预测ICA疾病风险.
• 基于SVM的框架提供了一个具有成本效益的早期干预查工具,特别是在资源有限的环境中.
• 建议在多中心队列中进一步验证.