预测神经功能恢复后 Carotid Endarterectomy 使用机器学习和 Carotid 计算机断层扫描 血管学 放射学

科学领域:

• 医学成像分析分析 医学成像分析
• 机器学习在医疗保健中的应用
• 脑血管疾病研究研究

背景情况:

• 症状性动脉狭窄 (SCAS) 构成中风的风险.
• Carotid Endarterectomy (CEA) 是一种常见的SCAS治疗方法.
• 在CEA后预测神经功能恢复对于患者管理至关重要.

研究的目的:

• 开发和验证机器学习模型,使用心血管CTA放射学.
• 预测经过CEA后SCAS患者的神经功能恢复.
• 评估不同机器学习算法和功能集的性能.

主要方法:

• 对244名接受CEA的SCAS患者进行了回顾性分析.
• 根据修改的兰金度量表,将患者分为良好的 (n=164) 和差的 (n=80) 康复组.
• 在CTA图像上从动脉斑块中提取放射性特征.
• 使用放射性,临床和组合特征开发后勤回归,SVM,KNN,LightGBM和MLP模型.

主要成果:

• 该SVM放射学模型实现了90%的准确性,91%的灵敏度和88%的特异性.
• LR和LightGBM放射学模型显示出高预测能力 (88%和86%的准确性).
• 结合放射性和临床特征,在所有算法中持续改善模型性能.

结论:

• 机器学习模型,特别是SVM,LR和LightGBM,有效地预测了CEA后的神经恢复.
• 结合的放射性和临床特征增强了预测能力.
• 这些模型可以帮助进行术后风险分层和个性化术后护理.