Vorhersagemodell für chronischen intrakraniellen Arterienverschluss mit radiomischen Merkmalen

1. Etablierung eines Gehirnsegmentierungsmodells für wichtige Gehirnregionen basierend auf multimodaler CT

   Die Etablierung eines Gehirnsegmentierungsmodells für wichtige Gehirnregionen auf Basis der multimodalen CT ist einer der Kernbestandteile dieser Forschung. Das Projekt plant, fortschrittliche Algorithmen wie U-Net und Transformer als Grundlage für die Entwicklung eines Modells zur automatischen Segmentierung wichtiger Gehirnregionen in CT-Bildern zu verwenden. Zu diesen wichtigen Gehirnregionen gehören die Basalganglien, der Frontallappen, der Temporallappen, der Parietallappen und andere. Die Entwicklung des automatischen Segmentierungsmodells besteht aus zwei Hauptteilen: Training und Validierung. Retrospektive Kohortendaten aus dieser Forschung werden zur Bildung des Trainingssatzes verwendet. Bestimmte Gehirnregionen werden manuell mit Anmerkungen versehen, um als Trainingsmaterialien für das Modell zu dienen. Um zufriedenstellende Trainingsergebnisse zu erzielen, werden Parameteroptimierung und interne Validierung durchgeführt. Prospektive Kohortendaten aus dieser Forschung bilden einen unabhängigen Validierungssatz, der zur externen Validierung des Modells verwendet wird. Zu den Leistungsbewertungskriterien für das Modell gehören der DICE-Koeffizient und der Verlustwert.

2. Erforschung zentraler Neuroimaging-Funktionen im Zusammenhang mit Schlaganfall bei Patienten mit chronischem intrakraniellen Arterienverschluss

   Unter Verwendung von Masken, die durch das automatische Segmentierungsmodell generiert werden, zielt diese Studie darauf ab, radiomische Informationen und CT-Perfusionsparameter spezifischer Gehirnregionen durch einen selbst entworfenen automatisierten Arbeitsablauf zu extrahieren. Diese Funktionen werden verwendet, um ein Vorhersagemodell für maschinelles Lernen für das Schlaganfallrisiko bei Patienten mit chronischem intrakraniellen Arterienverschluss zu erstellen. Um die effektivsten Merkmale für die Strichvorhersage auszuwählen, ist ein Prozess zur Merkmalsauswahl und Dimensionsreduzierung erforderlich. Diese Studie plant, die L1-Regularisierung zu verwenden, um die Dimensionalität der standardisierten Daten zu reduzieren, mit dem Ziel, die ROC-Fläche unter der Kurve (AUC) zu optimieren. Somit ist es möglich, zentrale Merkmale der Neurobildgebung im Zusammenhang mit einem Schlaganfall bei Patienten mit intrakranieller Arterienokklusion zu untersuchen und zu verfeinern, ihre Korrelation mit einem Schlaganfall zu analysieren und sie für die anschließende Modellkonstruktion zu verwenden.

3. Konstruktion und Validierung eines Schlaganfall-Vorhersagemodells basierend auf zentralen Neuroimaging-Funktionen wichtiger Gehirnregionen

Der Aufbau und die Validierung des Vorhersagemodells sind in Trainings- und Validierungsphasen unterteilt. Die Trainingsdaten werden aus der Trainingskohorte gesammelt und intern mithilfe einer Kreuzvalidierung validiert. Die prospektive Kohorte bleibt ein unabhängiger Validierungssatz für die externe Validierung des Modells. Die Modellkonstruktion beginnt mit dem Testen der Leistung grundlegender Modelle für maschinelles Lernen. Durch die Analyse der Leistung dieser Grundmodelle wird die Architektur eines Ensemble-Lernmodells entworfen und konstruiert. Abschließend wird das Ensemble-Lernmodell validiert. Die primäre Leistungsmetrik für das Modell ist die Fläche unter der ROC-Kurve (AUC). Zusätzliche Bewertungsmetriken wie Genauigkeit, Rückruf, Präzision und F1-Score werden zur ergänzenden Leistungsbewertung verwendet.