Modelo de previsão para oclusão arterial intracraniana crônica com características radiômicas

1. Estabelecimento de um modelo de segmentação cerebral para regiões-chave do cérebro com base em tomografia computadorizada multimodal

   O estabelecimento de um modelo de segmentação cerebral para regiões-chave do cérebro baseado na TC multimodal é um dos componentes principais desta pesquisa. O projeto planeja usar algoritmos avançados como U-Net e Transformer como base para desenvolver um modelo para segmentar automaticamente regiões cerebrais importantes em imagens de tomografia computadorizada. Essas principais regiões cerebrais incluem os gânglios da base, lobo frontal, lobo temporal, lobo parietal e outros. O desenvolvimento do modelo de segmentação automática consiste em duas partes principais: treinamento e validação. Dados de coorte retrospectivos desta pesquisa são usados ​​para constituir o conjunto de treinamento. Regiões cerebrais específicas são anotadas manualmente para servir como materiais de treinamento para o modelo. O ajuste de parâmetros e a validação interna são realizados para alcançar resultados de treinamento satisfatórios. Os dados de coorte prospectivos desta pesquisa formam um conjunto de validação independente usado para validação externa do modelo. Os critérios de avaliação de desempenho do modelo incluem o coeficiente DICE e o valor de perda.

2. Exploração dos principais recursos de neuroimagem relacionados ao acidente vascular cerebral em pacientes com oclusão arterial intracraniana crônica

   Utilizando máscaras geradas pelo modelo de segmentação automática, este estudo pretende extrair informações radiômicas e parâmetros de perfusão tomográfica de regiões cerebrais específicas por meio de um fluxo de trabalho automatizado autoprojetado. Esses recursos serão usados ​​para construir um modelo preditivo de aprendizado de máquina para risco de acidente vascular cerebral em pacientes com oclusão arterial intracraniana crônica. Para selecionar os recursos mais eficazes para previsão de traços, é necessário um processo de seleção de recursos e redução de dimensionalidade. Este estudo planeja utilizar a regularização L1 para reduzir a dimensionalidade dos dados padronizados, visando otimizar a área sob a curva (AUC) ROC. Assim, é possível explorar e refinar as principais características de neuroimagem relacionadas ao AVC em pacientes com oclusão arterial intracraniana, analisar sua correlação com o AVC e utilizá-las para posterior construção de modelo.

3. Construção e validação de um modelo de previsão de AVC baseado em características essenciais de neuroimagem de regiões cerebrais importantes

A construção e validação do modelo de predição são divididas em fases de treinamento e validação. Os dados de treinamento são coletados da coorte de treinamento e validados internamente por meio de validação cruzada. A coorte prospectiva continua sendo um conjunto de validação independente para validação externa do modelo. A construção do modelo começa com o teste do desempenho dos modelos básicos de aprendizado de máquina. Ao analisar o desempenho desses modelos básicos, a arquitetura de um modelo de aprendizagem conjunto é projetada e construída. Finalmente, o modelo de aprendizagem conjunto é validado. A principal métrica de desempenho do modelo é a área sob a curva ROC (AUC), e métricas de avaliação adicionais, como exatidão, recall, precisão e pontuação F1, são usadas para avaliação complementar de desempenho.