基于临床-影像组学特征的机器学习模型预测颅内动脉瘤的破裂风险
胡小龙
邓朋
唐晓宇
马冕
钱锦宏
吴刚
成之奇
龚宇珲
吴建东
丁志良
215000 江苏苏州,南京医科大学附属苏州医院神经外科
摘要：目的 探讨基于临床-影像组学特征的机器学习模型预测颅内动脉瘤破裂风险的效能.方法 回顾性分析2019年1月至2022年12月收治的153例颅内动脉瘤的临床资料.利用单因素分析筛选出影响动脉瘤破裂的临床特征;收集DICOM格式影像数据,利用3D Slicer软件对载瘤动脉进行三维重建与分割,利用radiomics插件提取动脉瘤的形态学特征,并利用LASSO算法筛选影响动脉瘤破裂的重要形态学特征;构建基于临床和形态学特征的机器学习模型,计算各模型预测颅内动脉瘤破裂风险的曲线下面积、准确度、精准度、灵敏度、特异度.结果 153例中,破裂动脉瘤43例(破裂组),未破裂动脉瘤110例(未破裂组).与未破裂组相比,破裂组高血压病人占比较高(P<0.05).与未破裂组相比较,破裂组动脉瘤形态学特征的伸长率、球形度明显缩小(P<0.05),而动脉瘤最小轴径、最大轴径、冠状面最大直径、最大三维直径、网格体积、表面积、表面积体积比和体素体积明显增大(P<0.05).纳入分析的14个形态学特征经过LASSO回归与十折交叉验证选择最优lambda值0.023,最终筛选出6个最优形态学特征,根据这六大形态学特征构建SVM、KNN、LR机器学习模型,其曲线下面积(AUC)分别为 0.73(95%CI 0.47～0.98)、0.80(95%CI 0.72～0.87)、0.75(95%CI 0.61～0.89).基于高血压这一临床特征和形态学特征构建的SVM1、KNN1和LR1模型的AUC分别为0.79(95%CI 0.67～0.93)、0.85(95%CI 0.79～0.92)、0.83(95%CI 0.72～0.95).结论 本研究基于影像组学技术自动提取颅内动脉瘤的形态学特征,并构建了六种机器学习模型,能准确识别动脉瘤的状态,从而可以尽早对具有高破裂风险的颅内动脉瘤进行干预,具有重要的临床指导意义.
关键词：颅内动脉瘤影像组学破裂风险机器学习模型
分类号：R743.9(神经病学与精神病学)
资助基金：苏州市科技发展计划(医疗卫生科技创新)项目(SKY2021054)
论文发表日期：2023-09-25
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：5( 549-553 )
英文信息