Model predykcyjny przewlekłej okluzji tętnicy wewnątrzczaszkowej z cechami radiomicznymi

1. Utworzenie modelu segmentacji mózgu dla kluczowych obszarów mózgu w oparciu o multimodalną tomografię komputerową

   Utworzenie modelu segmentacji mózgu dla kluczowych obszarów mózgu w oparciu o multimodalną tomografię komputerową jest jednym z głównych elementów tych badań. W projekcie planowane jest wykorzystanie zaawansowanych algorytmów, takich jak U-Net i Transformer, jako podstawy do opracowania modelu automatycznej segmentacji kluczowych obszarów mózgu na obrazach CT. Te kluczowe obszary mózgu obejmują zwoje podstawy, płat czołowy, płat skroniowy, płat ciemieniowy i inne. Opracowanie modelu automatycznej segmentacji składa się z dwóch głównych części: szkolenia i walidacji. Do utworzenia zbioru uczącego wykorzystano retrospektywne dane kohortowe z tego badania. Określone obszary mózgu są ręcznie opisywane, aby służyć jako materiały szkoleniowe dla modelu. Aby osiągnąć zadowalające wyniki szkolenia, przeprowadzane jest dostrajanie parametrów i wewnętrzna walidacja. Prospektywne dane kohortowe z tego badania tworzą niezależny zbiór walidacyjny używany do zewnętrznej walidacji modelu. Kryteriami oceny wydajności modelu są współczynnik DICE i wartość strat.

2. Badanie podstawowych cech neuroobrazowania związanych z udarem u pacjentów z przewlekłą okluzją tętnicy wewnątrzczaszkowej

   Celem tego badania jest wykorzystanie masek generowanych przez model automatycznej segmentacji w celu wyodrębnienia informacji radiomicznych i parametrów perfuzji CT określonych obszarów mózgu za pomocą samodzielnie zaprojektowanego, zautomatyzowanego przepływu pracy. Funkcje te zostaną wykorzystane do skonstruowania modelu predykcyjnego opartego na uczeniu maszynowym dotyczącego ryzyka udaru u pacjentów z przewlekłą niedrożnością tętnicy wewnątrzczaszkowej. Aby wybrać najskuteczniejsze cechy do przewidywania skoku, wymagany jest proces selekcji cech i redukcji wymiarowości. W tym badaniu planuje się zastosować regularyzację L1 w celu zmniejszenia wymiarowości standaryzowanych danych, mając na celu optymalizację obszaru ROC pod krzywą (AUC). Dzięki temu możliwe jest zbadanie i udoskonalenie podstawowych cech neuroobrazowania związanych z udarem mózgu u pacjentów z niedrożnością tętnicy wewnątrzczaszkowej, analiza ich korelacji z udarem i wykorzystanie ich do późniejszej konstrukcji modelu.

3. Konstrukcja i walidacja modelu przewidywania udaru mózgu w oparciu o podstawowe cechy neuroobrazowania kluczowych obszarów mózgu

Konstrukcja i walidacja modelu predykcyjnego są podzielone na fazy uczenia i walidacji. Dane szkoleniowe są zbierane od kohorty szkoleniowej i weryfikowane wewnętrznie za pomocą walidacji krzyżowej. Kohorta prospektywna pozostaje niezależnym zbiorem walidacyjnym do zewnętrznej walidacji modelu. Konstruowanie modelu rozpoczyna się od przetestowania wydajności podstawowych modeli uczenia maszynowego. Analizując działanie tych podstawowych modeli, projektuje się i konstruuje architekturę modelu uczenia się zespołowego. Na koniec walidowany jest model uczenia się zespołowego. Podstawową metryką wydajności modelu jest obszar pod krzywą ROC (AUC), a dodatkowe metryki oceny, takie jak dokładność, przypominanie, precyzja i wynik F1, są wykorzystywane do dodatkowej oceny wydajności.