Forudsigelsesmodel for kronisk intrakraniel arteriel okklusion med radiomiske egenskaber

1. Etablering af en hjernesegmenteringsmodel for centrale hjerneregioner baseret på multimodal CT

   Etableringen af ​​en hjernesegmenteringsmodel for centrale hjerneregioner baseret på multimodal CT er en af ​​kernekomponenterne i denne forskning. Projektet planlægger at bruge avancerede algoritmer som U-Net og Transformer som grundlag for at udvikle en model til automatisk at segmentere centrale hjerneområder i CT-billeder. Disse nøgleregioner i hjernen omfatter basalganglierne, frontallappen, tindingelappen, parietallappen og andre. Udviklingen af ​​den automatiske segmenteringsmodel består af to hoveddele: træning og validering. Retrospektive kohortedata fra denne forskning bruges til at udgøre træningssættet. Specifikke hjerneområder er manuelt kommenteret for at tjene som træningsmateriale til modellen. Parameterjustering og intern validering udføres for at opnå tilfredsstillende træningsresultater. Prospektive kohortedata fra denne forskning danner et uafhængigt valideringssæt, der bruges til ekstern validering af modellen. Præstationsevalueringskriterierne for modellen inkluderer DICE-koefficienten og tabsværdien.

2. Udforskning af kerne neuroimaging-funktioner relateret til slagtilfælde hos patienter med kronisk intrakraniel arteriel okklusion

   Ved at bruge masker genereret af den automatiske segmenteringsmodel, har denne undersøgelse til hensigt at udtrække radiomisk information og CT-perfusionsparametre for specifikke hjerneregioner gennem en selvdesignet automatiseret arbejdsgang. Disse funktioner vil blive brugt til at konstruere en maskinlæringsprædiktiv model for slagtilfælderisiko hos patienter med kronisk intrakraniel arteriel okklusion. For at vælge de mest effektive funktioner til slagforudsigelse kræves en funktionsvalg og dimensionsreduktionsproces. Denne undersøgelse planlægger at bruge L1-regularisering til at reducere dimensionaliteten af ​​de standardiserede data med det formål at optimere ROC-området under kurven (AUC). Det er således muligt at udforske og forfine kerne neuroimaging-funktioner relateret til slagtilfælde hos patienter med intrakraniel arteriel okklusion, analysere deres korrelation med slagtilfælde og bruge dem til efterfølgende modelkonstruktion.

3. Konstruktion og validering af en slagtilfælde-forudsigelsesmodel baseret på kerne-neuroimaging-funktioner i centrale hjerneregioner

Konstruktionen og valideringen af ​​forudsigelsesmodellen er opdelt i trænings- og valideringsfaser. Træningsdataene indsamles fra uddannelseskohorten og valideres internt ved brug af krydsvalidering. Den potentielle kohorte forbliver et uafhængigt valideringssæt til ekstern validering af modellen. Modelkonstruktion begynder med at teste grundlæggende maskinlæringsmodellers ydeevne. Ved at analysere ydeevnen af ​​disse grundlæggende modeller designes og konstrueres arkitekturen af ​​en ensemble læringsmodel. Til sidst valideres ensemblelæringsmodellen. Den primære præstationsmåling for modellen er arealet under ROC-kurven (AUC), og yderligere evalueringsmålinger såsom nøjagtighed, genkaldelse, præcision og F1-score bruges til supplerende vurdering af præstation.