基于放射学的机器学习模型,用于预测在内血管治疗后急性缺血性中风患者的临床无效转流
Xiaolong Hu1,2, Suya Li2, Shifei Ye2
1Tongji University Affiliated Shanghai 4th People's Hospital, Tongji University School of Medicine, Shanghai, China.
Frontiers in neurology
|October 6, 2025
概括
使用CT-血栓形成放射学的机器学习模型准确地预测了在内血管治疗后急性缺血性中风患者的无效反. 该工具有助于评估患者的预后,并指导进一步的临床决策.
科学领域:
- 神经学 神经学
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 接受内血管治疗 (EVT) 的急性缺血性中风 (AIS) 患者,尽管成功重新道化,但结果可能不佳.
- 临床无效的再输血 (CIR) 是影响EVT后预后的一个关键因素.
- CT-血栓形成放射学为分析中风特征提供了一种新的方法.
研究的目的:
- 评估一个机器学习模型,利用CT-血栓形成放射学来预测EVT后AIS患者的CIR.
- 为了识别与无效反相关的放射性特征.
- 评估开发模型的诊断性能.
主要方法:
- 总共有144名AIS患者被纳入,随机分为训练 (70%) 和测试 (30%) 组.
- 1702个放射性特征从内膜和周周膜区域中提取出来.
- 使用mRMR和LASSO进行特征选择,然后通过ROC AUC进行随机森林模型构建和评估.
主要成果:
- 随机森林 (RF) 模型实现了高诊断性能.
- 使用结合的内部和周边特征 (RF_F) 的射频模型显示最高的AUC为0.83.
- 专注于内部 (RF_INTRA) 和周周 (RF_PERI) 特征的射频模型实现了分别为0.78和0.76的AUC.
结论:
- 基于CT-血栓形成放射学的机器学习模型可以准确地预测EVT后AIS患者的CIR.
- 开发的模型显示了改善患者结果评估的潜力.
- 需要在更大的队列中进一步验证以确认临床适用性.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.4K
