本研究旨在通过整合动脉瘤患者的血流动力学与形态学特征,构建一个预测动脉瘤破裂风险的机器学习模型。收集了2021年2月至2023年12月期间在牡丹江医学院附属红旗医院神经外科就诊的颅内动脉瘤患者的病例。研究组包括130例动脉瘤破裂患者...本研究旨在通过整合动脉瘤患者的血流动力学与形态学特征,构建一个预测动脉瘤破裂风险的机器学习模型。收集了2021年2月至2023年12月期间在牡丹江医学院附属红旗医院神经外科就诊的颅内动脉瘤患者的病例。研究组包括130例动脉瘤破裂患者,对照组包括60例未破裂的动脉瘤患者。所有患者均提供了DICOM格式的CT(Computed Tomography)图像,并在获得医院伦理委员会的批准和患者家属签署知情同意书后,使用MIMICS软件对动脉瘤的DICOM格式CT影像进行了三维重建。通过形态学测量,我们获得了形态学参数指标,并通过计算流体力学仿真计算得到了血流动力学参数。将形态学参数与血流动力学参数相结合,构建了一个用于机器学习临床预测模型的数据集。研究采用了10种机器学习算法构建预测模型,并使用准确率、AUC(Area Under Curve)、召回率和F1分数等指标进行评估。此外基于SHAP方法进行模型可解释性分析。在所有测试的模型中,随机森林模型展现出最佳性能,其准确率达到了0.78,AUC值为0.81,且召回率也较高,达到了0.72。通过融合动脉瘤的形态学特征与血流动力学特征构建的机器学习模型,能够为临床决策提供有力的工具,并展现出良好的临床应用潜力。展开更多
文摘本研究旨在通过整合动脉瘤患者的血流动力学与形态学特征,构建一个预测动脉瘤破裂风险的机器学习模型。收集了2021年2月至2023年12月期间在牡丹江医学院附属红旗医院神经外科就诊的颅内动脉瘤患者的病例。研究组包括130例动脉瘤破裂患者,对照组包括60例未破裂的动脉瘤患者。所有患者均提供了DICOM格式的CT(Computed Tomography)图像,并在获得医院伦理委员会的批准和患者家属签署知情同意书后,使用MIMICS软件对动脉瘤的DICOM格式CT影像进行了三维重建。通过形态学测量,我们获得了形态学参数指标,并通过计算流体力学仿真计算得到了血流动力学参数。将形态学参数与血流动力学参数相结合,构建了一个用于机器学习临床预测模型的数据集。研究采用了10种机器学习算法构建预测模型,并使用准确率、AUC(Area Under Curve)、召回率和F1分数等指标进行评估。此外基于SHAP方法进行模型可解释性分析。在所有测试的模型中,随机森林模型展现出最佳性能,其准确率达到了0.78,AUC值为0.81,且召回率也较高,达到了0.72。通过融合动脉瘤的形态学特征与血流动力学特征构建的机器学习模型,能够为临床决策提供有力的工具,并展现出良好的临床应用潜力。