Voorspellingsmodel voor chronische intracraniale arteriële occlusie met radiomische kenmerken

1. Oprichting van een hersensegmentatiemodel voor belangrijke hersenregio's op basis van multimodale CT

   Het opzetten van een hersensegmentatiemodel voor belangrijke hersengebieden op basis van multimodale CT is een van de kerncomponenten van dit onderzoek. Het project is van plan om geavanceerde algoritmen zoals U-Net en Transformer te gebruiken als basis voor de ontwikkeling van een model voor het automatisch segmenteren van belangrijke hersengebieden in CT-beelden. Deze belangrijke hersengebieden omvatten de basale ganglia, frontale kwab, temporale kwab, pariëtale kwab en andere. De ontwikkeling van het automatische segmentatiemodel bestaat uit twee hoofdonderdelen: training en validatie. Retrospectieve cohortgegevens uit dit onderzoek worden gebruikt om de trainingsset samen te stellen. Specifieke hersengebieden worden handmatig geannoteerd om als trainingsmateriaal voor het model te dienen. Parameterafstemming en interne validatie worden uitgevoerd om bevredigende trainingsresultaten te bereiken. Prospectieve cohortgegevens uit dit onderzoek vormen een onafhankelijke validatieset die wordt gebruikt voor externe validatie van het model. De prestatie-evaluatiecriteria voor het model omvatten de DICE-coëfficiënt en de verlieswaarde.

2. Onderzoek naar kernkenmerken van neuroimaging die verband houden met een beroerte bij patiënten met chronische intracraniale arteriële occlusie

   Met behulp van maskers gegenereerd door het automatische segmentatiemodel is deze studie bedoeld om radiomische informatie en CT-perfusieparameters van specifieke hersengebieden te extraheren via een zelf ontworpen geautomatiseerde workflow. Deze kenmerken zullen worden gebruikt om een ​​machinaal lerend voorspellend model te construeren voor het risico op een beroerte bij patiënten met chronische intracraniale arteriële occlusie. Om de meest effectieve kenmerken voor slagvoorspelling te selecteren, is een proces voor kenmerkselectie en dimensionaliteitsreductie vereist. Deze studie is van plan L1-regularisatie te gebruiken om de dimensionaliteit van de gestandaardiseerde gegevens te verminderen, met als doel het ROC-gebied onder de curve (AUC) te optimaliseren. Het is dus mogelijk om de kernkenmerken van neuroimaging die verband houden met een beroerte bij patiënten met intracraniale arteriële occlusie te onderzoeken en te verfijnen, hun correlatie met een beroerte te analyseren en deze te gebruiken voor de daaropvolgende modelconstructie.

3. Constructie en validatie van een model voor het voorspellen van een beroerte op basis van kernkenmerken van neuroimaging van belangrijke hersenregio's

De constructie en validatie van het voorspellingsmodel zijn onderverdeeld in trainings- en validatiefasen. De trainingsgegevens worden verzameld uit het trainingscohort en intern gevalideerd met behulp van kruisvalidatie. Het prospectieve cohort blijft een onafhankelijke validatieset voor externe validatie van het model. Het bouwen van modellen begint met het testen van de prestaties van basismodellen voor machinaal leren. Door de prestaties van deze basismodellen te analyseren, wordt de architectuur van een ensemble-leermodel ontworpen en geconstrueerd. Ten slotte wordt het ensembleleermodel gevalideerd. De primaire prestatiemetriek voor het model is het gebied onder de ROC-curve (AUC), en aanvullende evaluatiestatistieken zoals nauwkeurigheid, herinnering, precisie en F1-score worden gebruikt voor aanvullende beoordeling van de prestaties.