目的探索超声影像组学在预测颈动脉支架置入(carotid artery stent,CAS)术后再狭窄(in-stent restenosis,ISR)发生的能力。方法回顾性收集广州中医药大学第二临床医学院接受CAS术治疗患者共206例病例。将入组患者按7∶3的比例随机分为...目的探索超声影像组学在预测颈动脉支架置入(carotid artery stent,CAS)术后再狭窄(in-stent restenosis,ISR)发生的能力。方法回顾性收集广州中医药大学第二临床医学院接受CAS术治疗患者共206例病例。将入组患者按7∶3的比例随机分为训练集(144例)和测试集(62例),使用达尔文智能科研平台提取超声影像组学特征,从每个感兴趣区域中提取的1125个超声影像组学特征中筛选特征,使用不同的机器学习算法构建诊断模型,选择模型表现最好的分类器,建立了不同的预测模型,包括临床-超声特征模型、超声影像组学模型、临床-超声-超声影像组学的联合模型。结果在训练集中多因素逻辑回归分析显示,高血压病、高尿酸血症、甘油三酯和斑块位置是CAS术后发生ISR的独立危险因素。对于临床-超声模型,训练集和测试集的曲线下面积(area under the curve,AUC)分别为0.896和0.644。超声影像组学模型对应的AUC值分别为0.961和0.715,联合模型对应的AUC值分别为0.947和0.727。结论超声影像组学模型预测ISR的能力优于传统的临床-超声模型。联合模型能够更好地预测ISR发生,从而提高传统评估的诊断性能。展开更多
文摘目的探索超声影像组学在预测颈动脉支架置入(carotid artery stent,CAS)术后再狭窄(in-stent restenosis,ISR)发生的能力。方法回顾性收集广州中医药大学第二临床医学院接受CAS术治疗患者共206例病例。将入组患者按7∶3的比例随机分为训练集(144例)和测试集(62例),使用达尔文智能科研平台提取超声影像组学特征,从每个感兴趣区域中提取的1125个超声影像组学特征中筛选特征,使用不同的机器学习算法构建诊断模型,选择模型表现最好的分类器,建立了不同的预测模型,包括临床-超声特征模型、超声影像组学模型、临床-超声-超声影像组学的联合模型。结果在训练集中多因素逻辑回归分析显示,高血压病、高尿酸血症、甘油三酯和斑块位置是CAS术后发生ISR的独立危险因素。对于临床-超声模型,训练集和测试集的曲线下面积(area under the curve,AUC)分别为0.896和0.644。超声影像组学模型对应的AUC值分别为0.961和0.715,联合模型对应的AUC值分别为0.947和0.727。结论超声影像组学模型预测ISR的能力优于传统的临床-超声模型。联合模型能够更好地预测ISR发生,从而提高传统评估的诊断性能。
