European Radiology:为觉醒型卒中患者跑赢时间的人工智能!
2022-03-04 shaosai MedSci原创
觉醒型卒中(WUS)是缺血性卒中的一个亚组,是指睡觉时无新发卒中症状,但觉醒后被患者本人或目击者发现有卒中症状的急性脑梗死患者,在流行病学研究中占卒中病例的14%-25%。
觉醒型卒中(WUS)是缺血性卒中的一个亚组,是指睡觉时无新发卒中症状,但觉醒后被患者本人或目击者发现有卒中症状的急性脑梗死患者,在流行病学研究中占卒中病例的14%-25%。WUS临床较为普遍,但因发病时间不确切而容易被忽略,常被排除于溶栓之外。事实上,经仔细筛选仍有部分WUS适合溶栓。
现阶段,影像学上的DWI-FLAIR不匹配征象已被临床用于可行溶栓治疗的WUS患者的筛选。然而,大多数研究报告说,DWI-FLAIR不匹配征象只能达到0.60至0.80的特异性,0.5至0.6的中等敏感性。机器学习(ML)能自动学习并从数据集中执行预定任务,可用于图像特征的挖掘以开发稳健的预测模型。
近日,发表在European Radiology杂志的一项研究比较了基于DWI和FLAIR的7个ML模型,并开发了一个稳定的ML模型以确定WUS的发病时间,为WUS患者争取更有效的治疗方案及更佳的预后效果。
本研究纳入了本机构(数据集1,n = 410)和另一机构(数据集2,n = 177)中明确症状发生后24小时内的卒中患者的DWI和FLAIR图像。在数据集1的基础上建立了7个ML模型来估计卒中发病时间的二元分类(≤4.5小时或>4.5小时)。包括随机森林(RF)、svmLinear或svmRadial、贝叶斯(Bayes)、KNN、AdaBoost和神经网络(NNET)。分别进行了ROC分析和RSD来评价ML模型的性能和稳定性,并对数据集2进行了外部验证,用ROC分析来评价模型的泛化能力。
svmRadial取得了最好的性能,具有最高的AUC和准确性(AUC:0.896,准确性:0.878),并且最稳定(AUC的RSD%:0.08,准确性的RSD%:0.06)。然后选择svmRadial模型作为最终模型,svmRadial模型预测发病时间外部验证的AUC为0.895,准确性为0.825。
图 使用DWI和FLAIR识别WUS发病时间的ML框架。
总之,本研究提供了一个识别症状发生后4.5小时内的WUS患者的ML模型,基于DWI+FLAIR的svmRadial模型对于识别WUS患者的发病时间窗具有良好的诊断能力。
原文出处:
Liang Jiang,Siyu Wang,Zhongping Ai,et al.Development and external validation of a stability machine learning model to identify wake-up stroke onset time from MRI.DOI:10.1007/s00330-021-08493-6
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#卒中患者#
79
#PE#
71
#觉醒#
92