目的基于多模态磁共振影像组学及临床危险因素构建急性脑卒中机械取栓术后出血转化的列线图模型。材料与方法回顾性分析2017年1月至2020年12月在南京市第一医院就诊的急性缺血性脑卒中患者病例174例,将患者病例随机分为训练集(n=122)和...目的基于多模态磁共振影像组学及临床危险因素构建急性脑卒中机械取栓术后出血转化的列线图模型。材料与方法回顾性分析2017年1月至2020年12月在南京市第一医院就诊的急性缺血性脑卒中患者病例174例,将患者病例随机分为训练集(n=122)和测试集(n=52),根据治疗后24 h的磁共振图像将患者分成出血转化组和无出血转化组。采用A.K.软件提取弥散加权成像及灌注加权成像病变区影像组学特征并构建影像组学标签。通过多变量Logistic回归筛选最佳预测因子并构建列线图模型。利用受试者操作特征(receiver operating characteristic,ROC)曲线评估模型预测效能。结果每例患者各提取1584个影像组学特征,降维后筛选出15个与卒中出血转化高度相关的特征。ROC曲线显示联合影像组学标签、房颤史、年龄及入院NIHSS评分构建的诺莫图模型预测训练集出血转化的曲线下面积(area under the curve,AUC)为0.979(敏感度和特异度分别为0.950、0.989),预测测试集出血转化AUC为0.885(敏感度和特异度分别为0.836、0.908),均优于单一影像组学模型(AUC=0.763)或临床特征模型(AUC=0.707)。结论多模态磁共振联合临床特征的影像组学和机器学习可以预测急性脑卒中动脉取栓术后出血转化,且具有较高的可靠性。展开更多
文摘目的基于多模态磁共振影像组学及临床危险因素构建急性脑卒中机械取栓术后出血转化的列线图模型。材料与方法回顾性分析2017年1月至2020年12月在南京市第一医院就诊的急性缺血性脑卒中患者病例174例,将患者病例随机分为训练集(n=122)和测试集(n=52),根据治疗后24 h的磁共振图像将患者分成出血转化组和无出血转化组。采用A.K.软件提取弥散加权成像及灌注加权成像病变区影像组学特征并构建影像组学标签。通过多变量Logistic回归筛选最佳预测因子并构建列线图模型。利用受试者操作特征(receiver operating characteristic,ROC)曲线评估模型预测效能。结果每例患者各提取1584个影像组学特征,降维后筛选出15个与卒中出血转化高度相关的特征。ROC曲线显示联合影像组学标签、房颤史、年龄及入院NIHSS评分构建的诺莫图模型预测训练集出血转化的曲线下面积(area under the curve,AUC)为0.979(敏感度和特异度分别为0.950、0.989),预测测试集出血转化AUC为0.885(敏感度和特异度分别为0.836、0.908),均优于单一影像组学模型(AUC=0.763)或临床特征模型(AUC=0.707)。结论多模态磁共振联合临床特征的影像组学和机器学习可以预测急性脑卒中动脉取栓术后出血转化,且具有较高的可靠性。
