在线圈栓塞后预测脑动脉瘤复发:一种使用飞行时间磁共振血管学的新型深度学习方法

科学领域:

• 神经外科 神经外科
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 在线圈栓塞后脑动脉瘤复发是一个重大的临床挑战.
• 准确预测复发对于有效的患者管理和治疗规划至关重要.

研究的目的:

• 开发和评估一种结合机器学习和深度学习的新方法,用于预测脑动脉瘤复发.
• 评估飞行时间磁共振血管学 (TOF-MRA) 影像数据与临床信息一起用于复发预测的实用性.

主要方法:

• 一项回顾性多中心研究涉及154名患者,他们患有卷状栓塞未破裂的大脑动脉瘤.
• 开发了三种预测模型:逻辑回归,使用临床数据的神经网络,以及结合了包括临床和3D TOF-MRA数据的深度学习模型.
• 使用交叉验证的评估,评估接收器操作特征曲线 (AUC) 下的区域,准确性,灵敏性和特异性.

主要成果:

• 在46例 (29.9%) 病例中观察到复发.
• 使用手术前和手术后TOF-MRA图像的综合深度学习模型实现了最高的性能 (AUC: 0.822,灵敏度: 0.848).
• 仅使用手术前图像的模型显示了良好的精度 (0.766) 和特异性 (0.833),但较低的AUC.

结论:

• 将TOF-MRA数据集成到人工智能驱动的预测模型中,可以显著提高脑动脉瘤卷栓塞后复发风险的评估.
• 组合模型,特别是术后成像,为准确,个性化的风险预测提供了潜力.
• 这种方法可能会导致改善脑动脉瘤患者的治疗策略.