基于DWI和灌注加权成像的机器学习预测急性脑卒中机械取栓后早期神经功能恶化

摘要

目的 基于DWI和灌注加权成像(PWI)的影像学特征进行机器学习,构建急性脑卒中机械取栓后早期神经功能恶化(END)的预测模型并进行验证.方法 回顾性分析在南京市第一医院接受机械取栓治疗的急诊脑卒中患者,按随机数字表法分为训练集(n=210)和测试集(n=90),另收集在东南大学附属中大医院接受机械取栓治疗的急性脑卒中患者(n=100)为验证集.采用A.K.软件提取DWI和PWI病变区影像组学特征并应用最低绝对收缩和选择算子回归模型筛选最佳的影像组学特征,基于所选特征通过支持向量机分类器建立预测急性脑卒中机械取栓后END的预测模型.利用ROC曲线评价模型的预测效能,并对模型进行外部验证.结果 每例患者的DWI和PWI图像各提取1316个影像组学特征,降维后筛选出37个与END高度相关的特征.ROC分析显示,基于DWI+PWI的模型预测训练集和测试集卒中患者机械取栓后END的曲线下面积(AUC)分别为0.987、0.981,训练集灵敏度和特异度为0.945、0.958,测试集灵敏度和特异度为0.918、0.916.验证集外部验证结果显示,该模型预测急性脑卒中机械取栓后END的AUC为0.897,灵敏度和特异度为0.825、0.824,准确度达0.824.结论 基于治疗前的DWI和PWI的机器学习构建模型对急性脑卒中机械取栓后END的预测具有较高的预测效能,且外部验证一致性较好.