一个可解释的基于CT的机器学习模型,整合了动脉斑块和周血管脂肪组织,用于预测症状斑块
Hanzhe Wang1, Jingkai Xu1, Chengeng Ye1
1Department of Radiology, The First Affiliated Hospital of Wenzhou Medical University, Wenzhou, China.
一个可解释的机器学习模型整合了来自动脉斑块和周血管脂肪组织 (PVAT) 的CT放射学,有效地识别了症状性动脉斑块. 这种方法通过将成像特征与临床因素相结合,提高了脑血管风险评估.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 心血管疾病 心血管疾病
背景情况:
- 由于传统成像技术的局限性,准确识别症状性带斑块是具有挑战性的.
- 目前的方法主要关注光线狭窄,忽视斑块脆弱性和周围血管炎症.
研究的目的:
- 开发和验证一种可解释的机器学习模型,用于识别症状性带斑块.
- 该模型整合了基于CT的放射学,来自动脉斑块和周围脂肪组织 (PVAT).
主要方法:
- 追溯分析了324名患有动脉样硬化和狭窄症的患者.
- 从动脉斑块,PVAT和联合区域提取3D放射学特征.
- 开发和内部验证 (5倍交叉验证) 结合了放射学和临床因素的组合模型.
- 使用Shapley添加式解释 (SHAP) 评估的模型解释性.
主要成果:
- 组合模型取得了优异的区分性能 (训练和测试组中的平均AUC为0.903和0.904).
- 该模型显著优于仅使用斑块,PVAT或临床因素的模型.
- SHAP分析证实了放射学特征增强了模型的解释性和临床相关性.
结论:
- 一种可解释的放射学模型,将结合斑块和PVAT特征与临床因素相结合,显示出确定症状性动脉斑块的前景.
- 这种工具可以支持个性化的脑血管风险评估.
更多相关视频
13:45A Method to Study the Correlation Between Local Collagen Structure and Mechanical Properties of Atherosclerotic Plaque Fibrous Tissue
Published on: November 11, 2022
13:07Optical Coherence Tomography Based Biomechanical Fluid-Structure Interaction Analysis of Coronary Atherosclerosis Progression
Published on: January 15, 2022
相关概念视频
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Atherosclerosis I: Introduction
Imaging Studies for Cardiovascular System V: CT
Atherosclerosis II: Clinical Manifestations and Diagnostic Tests
Coronary Artery Disease I: Introduction
