开发和验证可解释的多模式临床放射学模型,用于预测结核性硬化综合体中的发病焦点和手术结果:一个多中心研究

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 精确地定位发性 (epi) 焦点对于结核性硬化综合体 (TSC) 手术成功至关重要.
• 内脑电图 (EEG) 是具有侵入性和昂贵的,这限制了其广泛的临床使用以确定发点.
• 需要使用非侵入性,临床适用的方法来预测TSC的发病焦点和外科治疗结果.

研究的目的:

• 开发和验证一种非侵入性预测模型,用于识别TSC患者的发点和评估手术结果.
• 为了比较各种机器学习 (ML) 模型的性能,整合临床和放射学特征.
• 创建一个用户友好的工具,用于开发模型的临床应用.

主要方法:

• 收集了665个皮质焦点的综合临床和成像数据 (CT,MRI,18F-FDG PET) 从回顾性和前性队列.
• 使用临床和放射学特征开发和评估了19个个人和3个整体ML模型 (投票,平均,超级学习者[SL]) .
• 使用AUC,准确度,精度,特异性,灵敏度,F1得分,决策曲线分析 (DCA) 和校准曲线验证模型性能;评估了长期的外科治疗结果.

主要成果:

• 整体SL模型整合了多式临床放射学特征,显示出卓越的预测性能 (AUC:前性0.92,后性0.91和0.87) 和稳定性.
• 该SL模型准确地预测了长期的外科手术结果 (AUC:0.93,0.91,0.92为1,3,>5年).
• 一个开发的基于网络的工具显著提高了初级临床医生的准确性 (0.61到0.78),匹配了高级临床医生的表现 (0.80).

结论:

• 多式临床放射学ML模型提供了一个非侵入性,准确的工具,用于预测TSC患者的发病焦点.
• 这种人工智能驱动的方法有助于术前评估,解决诊断差异,并使个性化治疗策略成为可能.
• 开发的基于网络的工具增强了临床决策,并改善了TSC的外科预测结果.