目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic str...目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic stroke,AIS)患者的临床及影像学资料,通过影像储存和传输系统(picture archiving and communication systems,PACS)收集患者MRI-DWI图像,使用深度神经网络提取患者图像特征。我们将数据集1(医院1)随机分为训练集(70%)和测试集(30%),建立基于临床特征(模型A)和MRI-DWI影像组学特征(模型B)的传统机器学习模型,基于MRI-DWI深度学习特征的深度学习模型(模型C)以及结合临床特征和深度学习特征的组合模型(模型D),预测AIS患者接受静脉溶栓治疗后90天预后[通过评估改良Rankin评分(modified Rankin Scale,mRS),评分<2分表示预后良好]。数据集2(医院2)用于外部验证。通过受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)评估模型的预测性能。为了比较不同模型的AUC值差异是否有统计学意义,进一步采用DeLong检验进行统计分析,评估各模型之间AUC差异的显著性。结果基于临床特征和DWI-MRI影像组学特征的机器学习模型A和模型B以及深度学习模型C的AUC分别为0.705[95%置信区间(confidence interval,CI):0.613~0.792]、0.846(95%CI:0.777~0.906)和0.877(95%CI:0.811~0.934)。结合临床和深度学习特征的组合模型D在预测AIS患者静脉溶栓后90天预后方面表现出显著优势,其AUC值为0.930(95%CI:0.890~0.963)。此外,深度学习模型在外部验证数据集中同样显示出良好的性能,模型C和模型D的AUC分别为0.887(95%CI:0.798~0.960)和0.947(95%CI:0.891~0.984)。结论基于MRI-DWI的影像组学特征在预测接受静脉溶栓治疗的AIS患者的90天预后中发挥重要作用。深度学习方法在AIS溶栓治疗预后的预测模型中优于传统机器学习方法。结合临床特征和MRI-DWI特征的深度学习模型可为临床个性化评估AIS患者预后及制订治疗方案提供有力工具。展开更多
目的探讨MR灌注加权成像(perfusion weighted imaging,PWI)的局部特征和全脑特征在急性脑卒中血管内治疗后预后中的价值。材料与方法回顾性分析在我院就诊的180例急性脑卒中患者的PWI图像。采用ITK-SNAP软件勾画Tmax图的灌注异常感兴趣...目的探讨MR灌注加权成像(perfusion weighted imaging,PWI)的局部特征和全脑特征在急性脑卒中血管内治疗后预后中的价值。材料与方法回顾性分析在我院就诊的180例急性脑卒中患者的PWI图像。采用ITK-SNAP软件勾画Tmax图的灌注异常感兴趣区,应用SPM软件自动分割Tmax图全脑区。应用AK软件分别提取局部和全脑特征并降维,通过支持向量机分类器构建急性脑卒中预后模型并寻找最优预测模型。结果经最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)降维后与预后最相关的局部特征为6个、全脑特征为5个、联合局部和全脑的特征为10个。受试者工作特征(receiver operating characteristic,ROC)曲线分析结果显示基于局部和全脑特征构建的急性脑卒中预后预测模型的曲线下面积(area under the curve,AUC)为0.900,敏感度和特异度分别为82.3%、89.1%,明显优于局部特征模型(AUC=0.706;Z=-3.248;P=0.001)和全脑特征模型(AUC=0.711;Z=-3.393;P<0.001)。结论联合局部和全脑的PWI特征可更为准确地预测急性脑卒中患者预后,为临床早期干预提供个性化指导。展开更多
文摘目的构建基于MRI扩散加权成像(diffusion-weighted imaging,DWI)的深度学习模型,讨论其对急性缺血性卒中静脉溶栓治疗患者90天预后的预测价值。材料与方法回顾性分析了2家医院进行静脉溶栓治疗的677名急性缺血性卒中(acute ischemic stroke,AIS)患者的临床及影像学资料,通过影像储存和传输系统(picture archiving and communication systems,PACS)收集患者MRI-DWI图像,使用深度神经网络提取患者图像特征。我们将数据集1(医院1)随机分为训练集(70%)和测试集(30%),建立基于临床特征(模型A)和MRI-DWI影像组学特征(模型B)的传统机器学习模型,基于MRI-DWI深度学习特征的深度学习模型(模型C)以及结合临床特征和深度学习特征的组合模型(模型D),预测AIS患者接受静脉溶栓治疗后90天预后[通过评估改良Rankin评分(modified Rankin Scale,mRS),评分<2分表示预后良好]。数据集2(医院2)用于外部验证。通过受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)评估模型的预测性能。为了比较不同模型的AUC值差异是否有统计学意义,进一步采用DeLong检验进行统计分析,评估各模型之间AUC差异的显著性。结果基于临床特征和DWI-MRI影像组学特征的机器学习模型A和模型B以及深度学习模型C的AUC分别为0.705[95%置信区间(confidence interval,CI):0.613~0.792]、0.846(95%CI:0.777~0.906)和0.877(95%CI:0.811~0.934)。结合临床和深度学习特征的组合模型D在预测AIS患者静脉溶栓后90天预后方面表现出显著优势,其AUC值为0.930(95%CI:0.890~0.963)。此外,深度学习模型在外部验证数据集中同样显示出良好的性能,模型C和模型D的AUC分别为0.887(95%CI:0.798~0.960)和0.947(95%CI:0.891~0.984)。结论基于MRI-DWI的影像组学特征在预测接受静脉溶栓治疗的AIS患者的90天预后中发挥重要作用。深度学习方法在AIS溶栓治疗预后的预测模型中优于传统机器学习方法。结合临床特征和MRI-DWI特征的深度学习模型可为临床个性化评估AIS患者预后及制订治疗方案提供有力工具。
文摘目的探讨MR灌注加权成像(perfusion weighted imaging,PWI)的局部特征和全脑特征在急性脑卒中血管内治疗后预后中的价值。材料与方法回顾性分析在我院就诊的180例急性脑卒中患者的PWI图像。采用ITK-SNAP软件勾画Tmax图的灌注异常感兴趣区,应用SPM软件自动分割Tmax图全脑区。应用AK软件分别提取局部和全脑特征并降维,通过支持向量机分类器构建急性脑卒中预后模型并寻找最优预测模型。结果经最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)降维后与预后最相关的局部特征为6个、全脑特征为5个、联合局部和全脑的特征为10个。受试者工作特征(receiver operating characteristic,ROC)曲线分析结果显示基于局部和全脑特征构建的急性脑卒中预后预测模型的曲线下面积(area under the curve,AUC)为0.900,敏感度和特异度分别为82.3%、89.1%,明显优于局部特征模型(AUC=0.706;Z=-3.248;P=0.001)和全脑特征模型(AUC=0.711;Z=-3.393;P<0.001)。结论联合局部和全脑的PWI特征可更为准确地预测急性脑卒中患者预后,为临床早期干预提供个性化指导。
