Predikční model pro chronickou intrakraniální arteriální okluzi s radiomickými rysy

1. Vytvoření modelu segmentace mozku pro klíčové oblasti mozku založeného na multimodálním CT

   Vytvoření modelu segmentace mozku pro klíčové oblasti mozku založeného na multimodálním CT je jednou ze základních součástí tohoto výzkumu. Projekt plánuje použít pokročilé algoritmy, jako je U-Net a Transformer, jako základ pro vývoj modelu pro automatickou segmentaci klíčových oblastí mozku na snímcích CT. Tyto klíčové oblasti mozku zahrnují bazální ganglia, frontální lalok, temporální lalok, parietální lalok a další. Vývoj modelu automatické segmentace se skládá ze dvou hlavních částí: školení a validace. Retrospektivní kohortová data z tohoto výzkumu se používají k vytvoření tréninkového souboru. Specifické oblasti mozku jsou ručně anotovány, aby sloužily jako školicí materiály pro model. Pro dosažení uspokojivých výsledků tréninku se provádí ladění parametrů a interní validace. Prospektivní kohortová data z tohoto výzkumu tvoří nezávislý validační soubor používaný pro externí validaci modelu. Mezi kritéria hodnocení výkonnosti modelu patří koeficient DICE a hodnota ztráty.

2. Zkoumání základních funkcí neurozobrazování souvisejících s cévní mozkovou příhodou u pacientů s chronickou intrakraniální arteriální okluzí

   Pomocí masek generovaných modelem automatické segmentace má tato studie v úmyslu extrahovat radiomické informace a parametry perfuze CT specifických oblastí mozku prostřednictvím automatizovaného pracovního postupu, který si sami navrhli. Tyto vlastnosti budou použity ke konstrukci prediktivního modelu strojového učení pro riziko cévní mozkové příhody u pacientů s chronickou intrakraniální arteriální okluzí. Pro výběr nejúčinnějších prvků pro predikci zdvihu je vyžadován proces výběru prvku a redukce rozměrů. Tato studie plánuje použít regularizaci L1 ke snížení rozměrů standardizovaných dat s cílem optimalizovat oblast ROC pod křivkou (AUC). Je tedy možné prozkoumat a zpřesnit základní neurozobrazovací funkce související s cévní mozkovou příhodou u pacientů s intrakraniální arteriální okluzí, analyzovat jejich korelaci s cévní mozkovou příhodou a použít je pro následnou konstrukci modelu.

3. Konstrukce a validace modelu predikce mrtvice založeného na základních vlastnostech neurozobrazování klíčových oblastí mozku

Konstrukce a validace predikčního modelu jsou rozděleny do trénovací a validační fáze. Tréninková data jsou sbírána z tréninkové kohorty a interně validována pomocí křížové validace. Prospektivní kohorta zůstává nezávislou validační sadou pro externí validaci modelu. Konstrukce modelu začíná testováním výkonu základních modelů strojového učení. Analýzou výkonu těchto základních modelů je navržena a zkonstruována architektura souborového výukového modelu. Nakonec je ověřen souborový model učení. Primární výkonnostní metrikou pro model je plocha pod křivkou ROC (AUC) a další vyhodnocovací metriky, jako je přesnost, zapamatovatelnost, přesnost a skóre F1, se používají pro doplňkové hodnocení výkonnosti.