基于 DWI及機器學習構(gòu)建急性腦卒中患者EVT治療后預后預測模型!

基于擴散加權(quán)成像和機器學習的急性腦卒中患者血管內(nèi)血栓治療預后模型的構(gòu)建

1.、彭2、王同興2、2、2、周2【摘要】背景急性腦卒中致殘率和死亡率高，血管內(nèi)取栓術(shù)(EVT)可有效改善患者預后，但目前仍缺乏準確、簡便的預后評估方法。因此，尋找一種方法來預測EVT治療后急性腦卒中患者的預后是非常重要的。目的探討擴散加權(quán)成像(DWI)和機器學習的成像特點，構(gòu)建急性腦卒中患者EVT治療后的預后預測模型，并分析其預測效率。方法本研究為回顧性研究。將2017年1月至2020年6月南京市第一三+醫(yī)院收治的280例急性腦卒中患者，采用分層隨機抽樣的方法分為訓練組196例和試驗組84例。提取訓練集中患者DWI的圖像組學特征，采用相關(guān)分析、單變量分析和最小一乘收縮選擇算子(LASSO)回歸模型篩選訓練集中預測EVT治療后患者預后的DWI圖像組學特征，并進行50%交叉驗證優(yōu)化模型參數(shù)。然后，利用機器學習支持向量機(SVM)算法，在訓練集中建立EVT治療后患者預后的預測模型。繪制受試者工作特征(ROC)曲線，評價預測模型對EVT治療后試驗組患者預后的預測效果，并計算曲線下面積(AUC)、準確率、召回率和F1評分。結(jié)果從EVT患者治療前后的DWI中共提取出2 632個特征，最終通過LASSO回歸模型篩選出12個特征。基于從訓練組中選取的12個圖像組學特征，通過機器學習SVM算法建立EVT治療后腦卒中患者預后的預測模型。ROC曲線分析結(jié)果顯示，預測模型的AUC為0.967 [95% CI (0.933，0.991)]，準確率為0.955，召回率為0.957，F(xiàn)1值為0.99。結(jié)論基于治療前后DWI和機器學習的EVT治療后急性腦卒中患者預后預測模型具有較高的預測效率?！娟P(guān)鍵詞】中風；機器學習；影像學；擴散加權(quán)成像；血管內(nèi)栓子切除術(shù)；預后[中國分類號]R 743[文獻識別號] a

來源:，彭，，王同興，等.基于彌散加權(quán)成像和機器學習的影像學特征，建立急性腦卒中患者血管內(nèi)取栓術(shù)后預后的預測模型[J].實用心肺血管疾病雜志，2021，29 (9): 43-46，52。DOI:10.12114/J . ISSN . 1008-5971.2021 . 00 . 204 .朱洪明，彭明艷，王天祥，等.基于彌散加權(quán)成像和機器學習的急性腦卒中患者血栓腔內(nèi)切除術(shù)后預后預測模型的構(gòu)建[ J].中國醫(yī)學與神經(jīng)科學，2004 .實用心腦血管疾病雜志，2021，29( 9): 43-46，52。DOI:10.12114/j . ISSN . 1008-5971.2021 . 00 . 204。

原文如下: