使用机器学习启用纳米剂预测斑块脆弱性 敏感化分子高分辨率磁共振成像数据
Yan Gong1,2, Menglin Wu3, Xiang Zhang2
1Department of Radiology, Medical Imaging Institute of Tianjin, Tianjin First Central Hospital, School of Medicine, Nankai University, Tianjin 300192, China.
ACS nano
|February 24, 2026
概括
一种新的纳米剂辅助机器学习 (nano-AML) 技术准确预测动脉样硬化斑块的脆弱性. 这种方法使用分子高分辨率血管壁MRI成像,提供了一种可靠的方法来评估斑块风险.
科学领域:
- 生物医学成像学 生物医学成像学
- 纳米技术 纳米技术
- 机器学习是机器学习.
背景情况:
- 用偏磁纳米剂进行的分子成像显示,用于检测动脉样硬化斑块不稳定性的可能性很大.
- 目前的磁共振成像 (MR) 缺乏用于精确分层斑块风险的定量描述符.
研究的目的:
- 开发一种新的纳米剂辅助机器学习 (nano-AML) 技术,用于直接评估斑块脆弱性.
- 提高使用分子高分辨率血管壁MRI成像 (HR-VWI) 的斑块脆弱性的非侵入性预测.
主要方法:
- 开发了用于增强MR成像的协同纳米剂 (tFM-纳米剂).
- 应用机器学习 (ML) 方法来解码tFM-纳米剂敏感的HR-VWI数据.
- 在临床前模型中生成并验证了成像衍生风险得分 (纳米AML得分).
主要成果:
- 纳米AML得分有效地将斑块分类为"易受伤害"或"稳定"的高精度 (AUC培训:0.871,验证:0.870).
- 在预测斑块脆弱性方面,纳米-AML评分明显优于商业对比剂Gadovist (AUC培训:0.560,验证:0.538).
结论:
- 开发的纳米AML技术为预测易受损伤的斑块提供了强大而可靠的方法.
- 这种方法有可能显著推进对动脉样硬化斑块风险的非侵入性评估.
更多相关视频
09:36A Magnetic Resonance Imaging-based Computational Protocol for Analysis of Plaque Morphology and Hemodynamics in Patients with Carotid Artery Stenosis
Published on: August 12, 2025
735
09:43In vivo Near Infrared Fluorescence NIRF Intravascular Molecular Imaging of Inflammatory Plaque, a Multimodal Approach to Imaging of Atherosclerosis
Published on: August 4, 2011
18.6K
