基于机器学习的多模态MRI对脑卒中病灶特征的预测模型

摘要

目的：利用多模态MRI成像数据，结合影像组学特征和机器学习技术，建立一个用于预测脑卒中病灶风险的模型。通过特征提取、筛选与分类建模，比较不同机器学习算法[支持向量机（SVM）、决策树、极限梯度提升树（XGBoost）、BP神经网络]在脑卒中病灶特征识别中的表现，为临床诊断和治疗决策提供支持。方法：收集2020年2月～2024年5月期间某三甲医院神经科129名患者的多模态MRI数据，包括T₁加权成像（T₁WI）、T₂加权成像（T₂WI）、弥散加权成像（DWI）和增强成像等。首先对每个病灶进行感兴趣区域（ROI）勾画，然后提取影像组学特征，并引入Attention机制以提高特征提取的准确性。接着，使用LASSO回归和主成分分析（PCA）对特征进行筛选，最后基于筛选后的特征构建SVM、决策树、XGBoost和BP神经网络模型。结果：在独立测试集上评估模型性能，LASSO与XGBoost的组合在所有指标上均表现最佳，PCA与决策树的组合在各项指标上表现最差。特征筛选显著提升所有模型的预测能力，尤其是在高维影像组学数据处理中。结论：通过结合多模态MRI与机器学习，建立一个脑卒中病灶风险预测模型。LASSO与XGBoost模型的组合在多模态影像数据的脑卒中病灶特征识别中表现出色，具有良好的临床应用潜力。

关键词

机器学习 / 多模态MRI / 脑卒中 / 病灶 / 影像组学