| 丁俊，陈基明，邵颖，丁治民.基于CT平扫影像组学深度学习模型预测自发性脑出血早期血肿扩大[J].放射学实践,2024,(12):1558-1564 |
| 基于CT平扫影像组学深度学习模型预测自发性脑出血早期血肿扩大 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2024.12.003 |
| 中文关键词: 深度学习 分类器 影像组学 血肿周围组织 自发性脑出血 血肿扩大 |
| 基金项目:安徽省卫生健康科研项目（AHWJ2022b044） |
|
| 摘要点击次数: 690 |
| 全文下载次数: 1327 |
| 中文摘要: |
| 【摘要】目的：探讨基于CT平扫的影像组学特征构建的深度学习（DLR）模型对自发性脑出血（sICH）早期血肿扩大（HE）的预测价值。方法：回顾性分析2015年1月－2022年12月在本院就诊的350例sICH患者的临床及影像学资料。所有患者发病6h内接受首次头颅CT平扫，并根据24h内复查CT图像上血肿体积是否超过基线CT图像上的33%或6mL，将患者分为HE组（136例）和非HE组（214例）。随机将患者以8∶2的比例分为训练组（n=280）和验证组（n=70）。对临床和影像学资料进行组间差异检验，筛选出有统计学意义的临床和影像特征。沿血肿边缘逐层手动勾画感兴趣区（ROI），并融合得到血肿的三维容积感兴趣区（VOI）；然后，借助软件沿勾画ROI边缘自动外扩2mm，得到血肿周围组织ROI。利用One-key AI软件分别提取血肿周围组织的影像组学特征和深度学习特征（基于ResNet-50卷积神经网络），联合这两类特征并进行特征筛选，得到混合特征集。基于临床-影像特征、混合特征及前两类特征联合，利用逻辑回归（LR）、朴素贝叶斯（NB）、K最近邻（KNN）、自适应增强（AdaBoost）和多层感知器（MLP）这五种分类器共构建了15个机器学习模型，采用ROC曲线下面积（AUC）评价各模型的诊断效能，确定最优模型作为输出模型，应用决策曲线分析（DCA）评价最佳模型的临床效益。结果：在临床和常规影像征象中，血清D-二聚体水平、血肿形态、漩涡征、混合征和卫星征在HE组与非HE组之间的差异有统计学意义（P＜0.05）。自血肿周围组织共提取得到29个混合特征（15个影像组学特征和14个深度学习特征）。在训练组或验证组中，基于联合特征构建的5种机器学习预测模型的效能均高于临床-影像特征和混合特征构建的模型，尤其以训练组中KNN分类器构建的联合模型的预测效能最高（AUC=0.947，95%CI：0.924~0.970），作为本研究的最佳输出模型。DCA显示阈值在0.025~0.980时KNN联合模型获得的临床效益较高。结论：基于CT平扫的血肿周围组织DLR模型可以有效预测sICH早期HE，尤其以联合临床、影像及组学特征构建的KNN分类器模型的预测效能最佳。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
