基于多参数MRI影像组学和深度学习的急性脑梗死患者缺血半暗带预测研究

摘要

目的 探讨基于多参数磁共振成像（MRI）影像组学和深度学习构建的模型预测急性脑梗死患者缺血半暗带（IP）的临床可行性。方法 选取2020年1月至2024年1月我院收治的105例急性脑梗死患者作为研究对象，依据MRI-扩散加权成像（DWI）检查结果将患者分为无IP组（n=36）和IP组（n=69）。统计2组患者的临床资料并筛选多参数MRI影像组学特征，构建临床模型、影像组学模型和深度学习模型并评价其区分力。构建融合模型，采用受试者操作特征（ROC）曲线、校准曲线、临床决策曲线评价4种模型的预测效能。结果 入院美国国立卫生院卒中量表（NIHSS）评分、各向异性分数（FA）、表观扩散系数（ADC）、平均扩散系数（DCavg）、N-乙酰天门冬氨酸（NAA）增加是患者发生IP的保护因素，乳酸（Lac）增加是危险因素（P <0.05）; 6个深度学习模型中，支持向量机模型性能最优，准确度为0.952 (100/105)，灵敏度为0.957 (66/69)，特异度为0.944 (34/36); 3种模型对患者IP发生情况均有较好的区分力；4种模型的区分度较高，准确性和有效性较好，且融合模型的预测效能最高。结论 基于临床特征、多参数MRI影像组学和深度学习构建的融合模型能够实现对急性脑梗死患者IP的准确预测，并提供个性化预测结果。

关键词

急性脑梗死 / 缺血半暗带 / 多参数磁共振成像影像组学 / 深度学习 / 融合模型