基于变压器的多式融合模型预测了自发性脑出血中早期的血瘤扩张:一项多中心研究

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的机器学习
• 神经学 神经学

背景情况:

• 自发性脑内出血 (sICH) 存在重大风险.
• 早期血液瘤扩张 (EHE) 是患者结果的关键因素.
• 准确预测EHE对于及时干预至关重要.

研究的目的:

• 开发和验证用于预测EHE.HE的多式变压器模型.
• 整合深度学习,放射学和临床数据,以提高预测准确度.
• 将变压器模型的性能与传统的机器学习方法进行比较.

主要方法:

• 分析了465名sICH患者的队列.
• 深度学习功能从2.5D NCCT图像中提取出来.
• 放射学特征,临床数据和深度学习特征被整合到变压器模型中.

主要成果:

• 变压器模型实现了0.894.89的高曲线下面积 (AUC).
• 它显著超过了深度学习 (AUC=0.86) 和放射学 (AUC=0.813) 模型.
• 决策曲线分析证实了变压器模型的卓越临床实用性.

结论:

• 多模式变压器模型在预测EHE方面表现出很高的效率.
• 这项研究验证了多式联运模型在EHE预测方面的潜力.
• 这些发现支持先进AI在神经临床护理中的临床应用.