基于DWI和FLAIR的影像组学结合机器学习预测醒后卒中的发病时间

• 作者: 艾中萍 姜亮 周蕾蕾 张宏 殷信道 王守巨
• 来源期刊: 临床放射学杂志
• 关键词: 醒后卒中 影像组学 机器学习 扩散加权成像 液体衰减反转恢复序列
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 神经放射学
• 页码范围: 241-245
• 页数: 5页
• 语种: 中文

摘要

目的 结合扩散加权成像(DWI)和液体衰减反转恢复序列(FLAIR)的影像组学与机器学习构建醒后卒中的发病时间预测模型并进行验证.方法 搜集2017年1月至2020年12月在南京市第一医院就诊的明确发病时间的急性缺血性脑卒中(AIS)患者266例,将患者随机分为训练集(n=185)和测试集(n=81),另搜集在南京医科大学附属江宁医院就诊的明确发病时间的AIS患者(n=56)为验证集,并根据患者发病时间将其分为≤4.5 h和＞4.5 h两组.采用A.K.软件提取DWI和FLAIR影像组学特征并构建影像组学标签.通过多变量Logistic回归筛选最佳预测因子并构建诺莫图模型.利用受试者工作特征(ROC)曲线评估模型预测效能,并对模型进行内、外部验证.结果 每例患者各提取1584个影像组学特征,降维后筛选出6类26个与卒中发病时间高度相关的特征.ROC显示联合独立预测因子影像组学标签、高血脂症构建的诺莫图模型预测训练集发病时间的曲线下面积(AUC)为0.979(灵敏度和特异度分别为0.923、0.977),预测测试集发病时间AUC为0.968(灵敏度和特异度分别为0.915、0.918),预测外部验证集发病时间AUC为0.897(灵敏度和特异度分别为0.837、0.819),三者间AUC值差异无统计学意义(Delong检验,P＞ 0.05).结论 基于DWI、FLAIR及临床资料所构建的预测模型能够较为准确地预测AIS患者的发病时间,且拥有较高的可靠性.