Modello di previsione per l'occlusione arteriosa intracranica cronica con caratteristiche radiomiche

1. Creazione di un modello di segmentazione cerebrale per regioni chiave del cervello basato sulla TC multimodale

   La creazione di un modello di segmentazione del cervello per le regioni chiave del cervello basato sulla TC multimodale è uno dei componenti principali di questa ricerca. Il progetto prevede di utilizzare algoritmi avanzati come U-Net e Transformer come base per sviluppare un modello per la segmentazione automatica delle regioni chiave del cervello nelle immagini CT. Queste regioni chiave del cervello includono i gangli della base, il lobo frontale, il lobo temporale, il lobo parietale e altri. Lo sviluppo del modello di segmentazione automatica si compone di due parti principali: formazione e validazione. I dati retrospettivi di coorte di questa ricerca vengono utilizzati per costituire il set di formazione. Regioni specifiche del cervello vengono annotate manualmente per fungere da materiale didattico per il modello. La messa a punto dei parametri e la convalida interna vengono condotte per ottenere risultati di formazione soddisfacenti. I potenziali dati di coorte di questa ricerca formano un set di validazione indipendente utilizzato per la validazione esterna del modello. I criteri di valutazione delle prestazioni del modello includono il coefficiente DICE e il valore di perdita.

2. Esplorazione delle principali caratteristiche di neuroimaging correlate all'ictus nei pazienti con occlusione arteriosa intracranica cronica

   Utilizzando maschere generate dal modello di segmentazione automatica, questo studio intende estrarre informazioni radiomiche e parametri di perfusione TC di specifiche regioni cerebrali attraverso un flusso di lavoro automatizzato auto-progettato. Queste funzionalità verranno utilizzate per costruire un modello predittivo di apprendimento automatico per il rischio di ictus nei pazienti con occlusione arteriosa intracranica cronica. Per selezionare le caratteristiche più efficaci per la previsione della corsa, è necessario un processo di selezione delle caratteristiche e di riduzione della dimensionalità. Questo studio prevede di utilizzare la regolarizzazione L1 per ridurre la dimensionalità dei dati standardizzati, con l'obiettivo di ottimizzare l'area ROC sotto la curva (AUC). Pertanto, è possibile esplorare e perfezionare le principali caratteristiche di neuroimaging relative all’ictus in pazienti con occlusione arteriosa intracranica, analizzare la loro correlazione con l’ictus e utilizzarle per la successiva costruzione di modelli.

3. Costruzione e validazione di un modello di previsione dell'ictus basato sulle caratteristiche principali di neuroimaging delle principali regioni cerebrali

La costruzione e la validazione del modello predittivo si dividono in fasi di training e validazione. I dati di addestramento vengono raccolti dal gruppo di addestramento e convalidati internamente utilizzando la convalida incrociata. La potenziale coorte rimane un set di validazione indipendente per la validazione esterna del modello. La costruzione del modello inizia con il test delle prestazioni di base dei modelli di machine learning. Analizzando le prestazioni di questi modelli di base, viene progettata e costruita l'architettura di un modello di apprendimento d'insieme. Infine, il modello di apprendimento d’insieme viene validato. La metrica di prestazione principale per il modello è l'area sotto la curva ROC (AUC) e metriche di valutazione aggiuntive come accuratezza, richiamo, precisione e punteggio F1 vengono utilizzate per la valutazione supplementare delle prestazioni.