使用机器学习预测多重内动脉瘤的破裂风险
Junqiang Feng1, Chunyi Wang1, Yu Wang1
1Department of Neurosurgery, Beijing Chaoyang Hospital, Capital Medical University, Beijing, China.
Frontiers in neurology
|August 20, 2025
概括
这项研究开发了一种机器学习模型,用于预测多重内动脉瘤 (MIA) 的破裂,在未破裂的病例中表现优于现有的得分,但在破裂的动脉瘤中需要改进.
科学领域:
- 神经外科
- 医学成像
- 机器学习
背景情况:
- 多重内动脉瘤 (MIA) 具有独特的破裂风险,目前的工具,如PHASES得分,没有解决这些问题.
- 现有的风险预测模型缺乏对MIA至关重要的形态和解剖学参数的具体考虑.
研究的目的:
- 开发和评估基于机器学习的风险预测模型 (RPM),用于MIA的破裂.
- 为MIA提供量身定制的风险评估,改进一般临床工具.
主要方法:
- 使用五倍交叉验证方法来管理数据集不平衡.
- 使用准确度,真实阳性率,真实阴性率,F1分数和AUC来评估模型的性能.
主要成果:
- 该模型的整体精度为0.797和AUC为0.843.
- 与破裂的动脉瘤相比,它对未破裂的动脉瘤具有更高的预测性能 (TNR: 0. 837).
- 破裂动脉瘤的较低TPR与小样本和数据不平衡有关.
结论:
- 开发的ML模型为预测MIA破裂风险提供了一种新方法,补充了PHASES评分.
- 在预测破裂动脉瘤和缺乏外部验证方面,临床适用性受到限制.
- 为了验证和增强个性化治疗策略的模型,对更大群体的未来研究至关重要.


