Modelo de predicción de la oclusión arterial intracraneal crónica con características radiómicas

1. Establecimiento de un modelo de segmentación cerebral para regiones clave del cerebro basado en TC multimodal

   El establecimiento de un modelo de segmentación cerebral para regiones clave del cerebro basado en TC multimodal es uno de los componentes centrales de esta investigación. El proyecto planea utilizar algoritmos avanzados como U-Net y Transformer como base para desarrollar un modelo para segmentar automáticamente regiones clave del cerebro en imágenes de TC. Estas regiones clave del cerebro incluyen los ganglios basales, el lóbulo frontal, el lóbulo temporal, el lóbulo parietal y otros. El desarrollo del modelo de segmentación automática consta de dos partes principales: entrenamiento y validación. Se utilizan datos de cohortes retrospectivos de esta investigación para constituir el conjunto de capacitación. Se anotan manualmente regiones cerebrales específicas para que sirvan como materiales de capacitación para el modelo. Se realizan ajustes de parámetros y validación interna para lograr resultados de entrenamiento satisfactorios. Los datos de cohortes prospectivos de esta investigación forman un conjunto de validación independiente utilizado para la validación externa del modelo. Los criterios de evaluación del desempeño del modelo incluyen el coeficiente DICE y el valor de pérdida.

2. Exploración de las características centrales de neuroimagen relacionadas con el accidente cerebrovascular en pacientes con oclusión arterial intracraneal crónica

   Utilizando máscaras generadas por el modelo de segmentación automática, este estudio pretende extraer información radiómica y parámetros de perfusión de TC de regiones cerebrales específicas a través de un flujo de trabajo automatizado de diseño propio. Estas características se utilizarán para construir un modelo predictivo de aprendizaje automático para el riesgo de accidente cerebrovascular en pacientes con oclusión arterial intracraneal crónica. Para seleccionar las características más efectivas para la predicción de trazos, se requiere un proceso de selección de características y reducción de dimensionalidad. Este estudio planea utilizar la regularización L1 para reducir la dimensionalidad de los datos estandarizados, con el objetivo de optimizar el área ROC bajo la curva (AUC). Por lo tanto, es posible explorar y perfeccionar las características centrales de neuroimagen relacionadas con el accidente cerebrovascular en pacientes con oclusión arterial intracraneal, analizar su correlación con el accidente cerebrovascular y utilizarlas para la construcción posterior del modelo.

3. Construcción y validación de un modelo de predicción de accidentes cerebrovasculares basado en características centrales de neuroimagen de regiones clave del cerebro

La construcción y validación del modelo de predicción se divide en fases de entrenamiento y validación. Los datos de capacitación se recopilan de la cohorte de capacitación y se validan internamente mediante validación cruzada. La cohorte prospectiva sigue siendo un conjunto de validación independiente para la validación externa del modelo. La construcción del modelo comienza con la prueba del rendimiento de los modelos básicos de aprendizaje automático. Al analizar el desempeño de estos modelos básicos, se diseña y construye la arquitectura de un modelo de aprendizaje conjunto. Finalmente, se valida el modelo de aprendizaje conjunto. La principal métrica de rendimiento del modelo es el área bajo la curva ROC (AUC), y se utilizan métricas de evaluación adicionales como exactitud, recuperación, precisión y puntuación F1 para una evaluación complementaria del rendimiento.