科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的 ：探讨基于CT平扫影像组学和机器学习模型鉴别急性缺血性脑梗死机械取栓后脑实质对比剂外渗和脑出血的价值。方法：回顾性分析93例接受机械取栓的急性缺血性脑梗死患者，共155个脑实质高密度区，按7∶3比例随机分为训练集（108个）和验证集（47个）。使用A.K.软件对CT平扫图像上出现的高密度区勾画ROI并提取纹理特征。采用特征相关性分析和基于互信息的特征进行降维，保留相关性最强的特征。采用逻辑回归（LR）、支持向量机（SVM）、线性支持向量分类（LinearSVC）、伯努利贝叶斯分类器（BernoulliNB）构建相应的机器学习鉴别模型。采用ROC曲线评价各机器学习模型区分对比剂外渗与脑出血的诊断效能。结果：在1 316个影像组学特征中，最终筛选出5个特征用于构建LR、SVM、LinearSVC、BernoulliNB模型。在训练集中，LR、SVM、LinearSVC及BernoulliNB模型的AUC分别为0.781、0.757、0.784及0.669；在验证集中，各相应模型的AUC分别为0.793、0.705、0.795及0.517。在训练集中，各机器学习模型的AUC比较，差异均无统计学意义（均P> 0.05）；在验证集中，BernoulliNB与LR及LinearSVC模型的AUC差异均有统计学意义（均P<0.05）。结论：基于CT平扫图像构建的LR、SVM、LinearSVC机器学习模型可有效鉴别急性缺血性脑梗死机械取栓后脑实质对比剂外渗和脑出血，且诊断效能佳，可辅助评估临床早期取栓后脑出血转化情况，指导临床及时进行干预。
- 单位
