基于脑小血管病负荷与深度学习磁共振影像特征的卒中预后预测模型构建

摘要

目的：评估深度学习(deep learning, DL)联合脑小血管病负荷预测卒中预后的可行性。方法：本研究筛选两中心数据库中卒中患者157例，采用Logistic回归及机器学习，纳入梗死核心体积、基于DL的磁共振梗死图像特征、NIHSS评分及总脑小血管病负荷指标建立临床预测模型，评估不同模型对患者预后的预测效能。结果：预后较差组的核心梗死体积及NIHSS评分均显著大于预后良好组(35.62 mL vs 6.66 mL,10分vs 4分，P<0.01)。随机选择137例患者作为模型训练集，20例作为测试集。在训练集中，核心梗死体积联合临床NIHSS评分的受试者工作特征AUC为0.824。将模型应用到157例人群中，图像特征联合脑小血管病负荷建立的模型有较好的结果，AUC值达0.890。结论：残差网络可以从核心梗死病灶图像中获得更多的预后特征，并在结合总脑小血管病负荷评分后，显著增加卒中预后的预测效能。

关键词

脑小血管病 / 深度学习 / 预测模型 / 颅内大动脉粥样硬化型急性缺血性卒中 / 磁共振成像

基金资助

江苏省中医药科技发展计划项目(MS2024101); 盐城市卫生健康委员会科研项目(YK2023070); 盐城市重点研发计划指导性项目(YCBK2023083)