南京医科大学学报(自然科学版)

作者：陈罕奇，张浩，葛晓敏，彭明洋，谢光辉，陈国中，殷信道，许瑜

单位：南京医科大学附属常州市第二人民医院放射科,江苏 常州 213003,,南京医科大学附属常州市第二人民医院放射科,江苏 常州 213003,,南京医科大学附属常州市第二人民医院放射科,江苏 常州 213003,,南京医科大学附属南京医院(南京市第一医院)医学影像科,江苏 南京 210006,,南京医科大学附属南京医院(南京市第一医院)医学影像科,江苏 南京 210006,,南京医科大学附属南京医院(南京市第一医院)医学影像科,江苏 南京 210006,,南京医科大学附属南京医院(南京市第一医院)医学影像科,江苏 南京 210006,,常州金东方医院放射科,江苏 常州 213000,

关键词：卒中;机器学习;弥散加权成像;灌注加权成像;预后

目的：结合机器学习与影像组学特征构建预测急性缺血性脑卒中(acute inschemic strohe，AIS)机械取栓治疗后预后的模型并进行验证。方法：回顾性分析在南京市第一医院就诊的AIS患者，按随机数字表法分为训练集(n=105)和测试集(n= 50)，另收集在南京医科大学附属常州市第二人民医院就诊的AIS患者(n=45)作为外部验证。采用A.K.软件提取弥散加权成像(diffusion weighted imaging，DWI)和灌注加权成像(perfusion weighted imaging，PWI)病变区的影像特征，应用最低绝对收缩和选择算子(least absolute shrinkage and selection operator，LASSO)回归模型筛选最佳影像组学特征，基于所选特征通过支持向量机(support vector machine，SVM)分类器建立预测急性脑卒中预后预测模型，使用受试者操作特征(receiver operating character⁃ istic，ROC)曲线评价模型的预测效能，并应用验证集对模型进行外部验证。结果：每例患者DWI和PWI图像各提取1 316个影像组学特征，降维后筛选出40个与卒中预后高度相关的特征。ROC曲线分析显示联合DWI+PWI的模型预测训练集和测试集的曲线下面积(area under curve，AUC)(训练集：0.981；测试集：0.891)均高于单序列模型(DWI或PWI)，其准确度分别达0.943、 0.900。外部验证结果显示基于DWI+PWI的模型同样优于单序列(DWI或PWI)的预测模型，灵敏度和特异度分别为0.864、 0.783，其准确度可达0.822。结论：结合机器学习与影像组学特征构建的模型可预测AIS机械取栓治疗预后，并具有较好的泛化能力。

来源：2022年第8期

《南京医科大学学报(自然科学版)》期刊编辑部

查看南京医科大学学报(自然科学版)杂志2022年第8期