人工智能技术在颈动脉斑块超声检查中的应用进展

缺血性脑卒中已成为影响国人健康的主要“杀手”,缺血性脑卒中的病因,往往可能由于颈动脉粥样硬化斑块破裂、脱落,栓子进入脑部血管所致。及时有效地检出颈动脉易损斑块对预防缺血性脑卒中意义重大。目前,超声医师缺口大,医疗资源分布不均是有效开展颈动脉超声检查的主要难题。发展智慧医疗,将人工智能技术应用于颈动脉超声检查中,可有效提高优质医疗资源利用率,提升基层医疗技术诊断准确率,预测缺血性脑卒中,改善患者预后。该文就人工智能技术在颈动脉超声检查中的应用进展做一综述。

五种机器学习模型预测颈动脉粥样硬化患者发生缺血性脑卒中的效能比较

目的比较logistics分类(LR)、高斯朴素贝叶斯分类(GNB)、补充朴素贝叶斯分类(CNB)、支持向量机(SVM)和k近邻分类(KNN)五种机器学习(machine learning,ML)模型预测颈动脉粥样硬化患者发生缺血性脑卒中的效能。方法选取2021年3月1日—11月30日上海市第八人民医院神经内科住院的101例颈动脉粥样硬化患者为研究对象,收集患者基线资料、实验室检查及颈动脉超声检查资料,将数据集按8∶2的比例拆分为训练集和测试集,logistic回归确定模型预测变量,应用5倍重采样技术,测试不同机器学习模型的预测性能,使用准确度、灵敏度、特异度和ROC曲线下面积(AUC)等指标综合比较五种ML模型的预测效能。结果五种预测模型的准确度62.2%~83.0%、灵敏度62.5%~83.6%、特异度77.4%~100.0%、AUC 0.629~0.936,其中GNB模型的准确度83.0%、特异度100.0%、AUC 0.936较高,与其他模型比较差异有统计学意义(P<0.05)。结论五种模型均可用于预测颈动脉粥样硬化患者发生缺血性脑卒中的风险,其中GNB模型预测效能最佳。