感染和非感染的大脑区域都有助于基于深度学习的MRI预测急性中风结果
Yongkai Liu1, Bin Jiang2, Henk van Voorst2
1From the Department of Radiology (Y.L., B.J., H.v.V., H.F., Z.Z., S. Luo, M.E.M., J.J.H., G.Z.), Stanford University, Stanford, California yongkliu@stanford.edu.
AJNR. American journal of neuroradiology
|November 6, 2025
概括
使用全脑MRI扫描的深度学习模型可以准确预测急性缺血性中风 (AIS) 的结果. 非发作的大脑区域也为中风恢复提供了关键的预测信息.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 脑卒中医学 脑卒中医学
背景情况:
- 预测急性缺血性中风 (AIS) 后的长期临床结果对于患者护理和研究至关重要.
- 从脑成像中获得的早期信息可以为这些预测提供信息.
研究的目的:
- 通过深度学习 (DL) 研究不同脑成像区域,包括非心脏病发作区域,对预测90天中风结果的贡献.
- 评估在各种成像输入上训练的DL模型的有效性,以预测中风后果.
主要方法:
- 在449名AIS患者 (1-7日中风后) 的MRIDWI扫描上开发和验证了DL模型.
- 训练有素的模型对心脏病发作体积,全脑图像,心脏病发作口罩,强度保留的心脏病发作口罩和损伤中和图像进行了训练.
- 用准确度,平均绝对误差 (MAE) 和曲线下的面积 (AUC) 来预测修改的兰金级 (mRS) 评分的评估性能.
主要成果:
- 使用全脑图像的模型实现了最低的MAE (1.07) 和最高的AUC (0.86) 预测不利结果 (mRS>2).
- 仅在心脏病发作体积上训练的模型显示了最高的MAE (1.51).
- 介质输入 (面具,病变中和图像) 仅在体积上改善了预测,但在全脑模型中表现不佳.
结论:
- 全脑成像为90天中风结果提供了最准确的预测.
- 心脏病特征和非心脏病发作的大脑区域对预测结果有着显著的贡献.
- 非感染区域可能反映大脑健康和弹性,提供有价值的预后信息.
