Modèle de prédiction de l'occlusion artérielle intracrânienne chronique avec caractéristiques radiomiques

1. Établissement d'un modèle de segmentation cérébrale pour les régions clés du cerveau basé sur la tomodensitométrie multimodale

   L'établissement d'un modèle de segmentation cérébrale pour les régions clés du cerveau basé sur la tomodensitométrie multimodale est l'un des éléments essentiels de cette recherche. Le projet prévoit d'utiliser des algorithmes avancés tels que U-Net et Transformer comme base pour développer un modèle permettant de segmenter automatiquement les régions clés du cerveau dans les images CT. Ces régions cérébrales clés comprennent les noyaux gris centraux, le lobe frontal, le lobe temporal, le lobe pariétal et d'autres. Le développement du modèle de segmentation automatique se compose de deux parties principales : la formation et la validation. Les données de cohorte rétrospectives issues de cette recherche sont utilisées pour constituer l'ensemble de formation. Des régions cérébrales spécifiques sont annotées manuellement pour servir de matériel de formation pour le modèle. Le réglage des paramètres et la validation interne sont effectués pour obtenir des résultats de formation satisfaisants. Les données de cohorte prospectives issues de cette recherche forment un ensemble de validation indépendant utilisé pour la validation externe du modèle. Les critères d'évaluation des performances du modèle incluent le coefficient DICE et la valeur de perte.

2. Exploration des principales caractéristiques de neuroimagerie liées à l'accident vasculaire cérébral chez les patients présentant une occlusion artérielle intracrânienne chronique

   À l'aide de masques générés par le modèle de segmentation automatique, cette étude vise à extraire des informations radiomiques et des paramètres de perfusion CT de régions spécifiques du cerveau grâce à un flux de travail automatisé auto-conçu. Ces fonctionnalités seront utilisées pour construire un modèle prédictif d'apprentissage automatique pour le risque d'accident vasculaire cérébral chez les patients présentant une occlusion artérielle intracrânienne chronique. Pour sélectionner les fonctionnalités les plus efficaces pour la prédiction des accidents vasculaires cérébraux, un processus de sélection des fonctionnalités et de réduction de la dimensionnalité est nécessaire. Cette étude prévoit d'utiliser la régularisation L1 pour réduire la dimensionnalité des données standardisées, visant à optimiser l'aire ROC sous la courbe (AUC). Ainsi, il est possible d’explorer et d’affiner les principales caractéristiques de la neuroimagerie liées à l’accident vasculaire cérébral chez les patients présentant une occlusion artérielle intracrânienne, d’analyser leur corrélation avec l’accident vasculaire cérébral et de les utiliser pour la construction ultérieure d’un modèle.

3. Construction et validation d'un modèle de prédiction d'AVC basé sur les caractéristiques de base de la neuroimagerie des régions clés du cerveau

La construction et la validation du modèle de prédiction sont divisées en phases de formation et de validation. Les données de formation sont collectées auprès de la cohorte de formation et validées en interne par validation croisée. La cohorte prospective reste un ensemble de validation indépendant pour la validation externe du modèle. La construction d'un modèle commence par le test des performances des modèles d'apprentissage automatique de base. En analysant les performances de ces modèles de base, l'architecture d'un modèle d'apprentissage d'ensemble est conçue et construite. Enfin, le modèle d'apprentissage d'ensemble est validé. La principale mesure de performance du modèle est l'aire sous la courbe ROC (AUC), et des mesures d'évaluation supplémentaires telles que l'exactitude, le rappel, la précision et le score F1 sont utilisées pour une évaluation supplémentaire des performances.