机器学习结合影像组学特征预测急性脑卒中机械取栓预后

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 characteristic,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1316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。