开发和验证可解释的基于血液动力学的机器学习模型,用于预测大脑动脉静脉形形破裂
Chengzhuo Wang1, Tzak Sing Lau1,2, Heze Han1
1Department of Neurosurgery, Beijing Tiantan Hospital and Beijing Neurosurgical Institute, Capital Medical University, No. 119 South Fourth Ring West Road, Fengtai District, Beijing, 100070, China.
Translational stroke research
|December 25, 2025
概括
这项研究引入了使用定量血液动力学和机器学习的脑动脉静脉形 (AVM) 破裂风险的新预测模型. 该模型显示了强大的性能,改善了AVM患者的风险分层.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 生物医学工程 生物医学工程
背景情况:
- 大脑动脉静脉形 (AVM) 存在严重的内出血风险.
- 目前对AVM破裂的风险预测模型主要依赖于人口统计数据和病变特征,基于血液动力学方法很少.
研究的目的:
- 为了确定血液动力学生物标志物来预测AVM破裂风险.
- 开发和验证一种机器学习模型,用于定量化,基于血液动力学的AVM破裂风险预测.
主要方法:
- 利用来自全国范围的多中心注册 (MATCH研究) 的未经治疗的AVM患者的数据.
- 使用定量血管学从数字减去血管学 (DSA) 提取了63个定量血液动力学特征.
- 开发和验证机器学习模型,使用内部,外部和纵向队列中的AUC等指标评估性能.
主要成果:
- 最好的预测模型的AUC为0.754 (培训),0.750 (内部验证) 和0.748 (外部验证).
- 沙普利添加式解释 (SHAP) 框架为模型决策提供了洞察力.
- 在保守治疗队列中,该模型成功地将患者分为破裂高风险和低风险组 (P=0.028).
结论:
- 量化血液动力学分析与机器学习相结合,为个性化AVM破裂风险预测提供了一个有前途的方法.
- 开发的模型展示了强大的性能和改善AVM管理中的临床决策的潜力.
- 这项研究强调了将先进的计算技术与成像数据相结合的价值,以提高脑血管疾病风险评估.
