Prediksjonsmodell for kronisk intrakraniell arteriell okklusjon med radiomiske egenskaper

1. Etablering av en hjernesegmenteringsmodell for sentrale hjerneregioner basert på multimodal CT

   Etableringen av en hjernesegmenteringsmodell for sentrale hjerneregioner basert på multimodal CT er en av kjernekomponentene i denne forskningen. Prosjektet planlegger å bruke avanserte algoritmer som U-Net og Transformer som grunnlag for å utvikle en modell for automatisk segmentering av sentrale hjerneområder i CT-bilder. Disse nøkkelregionene i hjernen inkluderer basalgangliene, frontallappen, tinninglappen, parietallappen og andre. Utviklingen av den automatiske segmenteringsmodellen består av to hoveddeler: opplæring og validering. Retrospektive kohortdata fra denne forskningen brukes til å utgjøre treningssettet. Spesifikke hjerneregioner er manuelt kommentert for å tjene som opplæringsmateriell for modellen. Parameterjustering og intern validering utføres for å oppnå tilfredsstillende treningsresultater. Prospektive kohortdata fra denne forskningen danner et uavhengig valideringssett som brukes til ekstern validering av modellen. Resultatevalueringskriteriene for modellen inkluderer DICE-koeffisienten og tapsverdien.

2. Utforskning av kjernenevroimaging-funksjoner relatert til hjerneslag hos pasienter med kronisk intrakraniell arteriell okklusjon

   Ved å bruke masker generert av den automatiske segmenteringsmodellen, har denne studien til hensikt å trekke ut radiomisk informasjon og CT-perfusjonsparametere for spesifikke hjerneregioner gjennom en selvdesignet automatisert arbeidsflyt. Disse funksjonene vil bli brukt til å konstruere en maskinlæringsprediktiv modell for slagrisiko hos pasienter med kronisk intrakraniell arteriell okklusjon. For å velge de mest effektive funksjonene for slagprediksjon, kreves en funksjonsvalg og dimensjonsreduksjonsprosess. Denne studien planlegger å bruke L1-regularisering for å redusere dimensjonaliteten til de standardiserte dataene, med sikte på å optimalisere ROC-området under kurven (AUC). Dermed er det mulig å utforske og avgrense kjernenevroavbildningsfunksjoner relatert til hjerneslag hos pasienter med intrakraniell arteriell okklusjon, analysere deres korrelasjon med hjerneslag og bruke dem til påfølgende modellkonstruksjon.

3. Konstruksjon og validering av en hjerneslagprediksjonsmodell basert på kjernenevroimaging-funksjoner i sentrale hjerneregioner

Konstruksjonen og valideringen av prediksjonsmodellen er delt inn i opplærings- og valideringsfaser. Opplæringsdataene samles inn fra opplæringskohorten og valideres internt ved bruk av kryssvalidering. Den potensielle kohorten forblir et uavhengig valideringssett for ekstern validering av modellen. Modellkonstruksjon begynner med å teste ytelsen til grunnleggende maskinlæringsmodeller. Ved å analysere ytelsen til disse grunnleggende modellene, designes og konstrueres arkitekturen til en ensemblelæringsmodell. Til slutt valideres ensemblelæringsmodellen. Den primære ytelsesberegningen for modellen er arealet under ROC-kurven (AUC), og ytterligere evalueringsmålinger som nøyaktighet, tilbakekalling, presisjon og F1-score brukes for supplerende vurdering av ytelse.