Согласно исследованию, опубликованному 4 июля в Европейском журнале радиологии, модель прогнозирования ИИ, которая включает в себя функции радиомикроскопии КТ и клиническую информацию, может значительно улучшить прогнозирование исходов у пациентов с острым ишемическим инсультом .

Исследователи во главе с первым автором Лимином Чжаном и соответствующим автором Вэй Чжаном, доктором медицины, из Второй дочерней больницы Медицинского университета Чунцина, разработали три модели прогнозирования с помощью машинного обучения, основанные на радиомике из неконтрастных КТ-исследований, клинических особенностях и их комбинации. Комбинированная модель показала наилучшие характеристики, обеспечив чувствительность почти 94% и точность 85%.

«… комбинированная модель, объединяющая клинические и рентгенологические данные с использованием легкодоступной, эффективной и неинвазивной [бесконтрастной КТ] визуализации, потенциально способна прогнозировать клинические исходы у пациентов с [острым ишемическим инсультом], получающих традиционное лечение, что может помочь в определении раннее клиническое вмешательство для своевременного улучшения их результатов», — пишут авторы.

Чтобы проверить свою гипотезу о том, что модели радиомики на основе машинного обучения могут повысить ценность прогнозирования функциональных результатов через шесть месяцев, исследователи сначала смешали 197 пациентов из одной больницы и 43 пациента из второй больницы, чтобы сформировать обучающую когорту из 194 случаев и тестовую когорту. из 46 пациентов.

Два младших радиолога использовали программное обеспечение 3D Slicer с открытым исходным кодом, чтобы вручную сегментировать очаги инфаркта на неконтрастных КТ-снимках. Затем из изображений были извлечены семь радиомикроскопических признаков.

Затем исследователи обучили три разные модели прогнозирования с помощью машинного обучения для построения моделей прогнозирования, включая модель радиомикродинамики, а также клиническую модель, основанную на клинических данных. В комбинированной модели использовались входные данные как из модели клинических признаков, так и из модели радиомики. Все модели были обучены прогнозировать модифицированную шкалу Рэнкина через шесть месяцев после выписки из больницы.

На тестовом наборе комбинированная модель показала самую высокую площадь под кривой (AUC), чувствительность и точность, но она также была самой низкой по специфичности.

«Учитывая обнадеживающие результаты этого исследования, большие независимые наборы данных и более сложные алгоритмы машинного обучения сделают анализ изображений на основе [бесконтрастной КТ] более перспективным в будущем», — пишут авторы.

Полную статью журнала можно найти здесь .

Источник