Модель прогнозирования хронической внутричерепной артериальной окклюзии с радиомическими особенностями

1. Создание модели сегментации головного мозга для ключевых областей мозга на основе мультимодальной КТ

   Создание модели сегментации мозга для ключевых областей мозга на основе мультимодальной КТ является одним из основных компонентов этого исследования. Проект планирует использовать передовые алгоритмы, такие как U-Net и Transformer, в качестве основы для разработки модели автоматической сегментации ключевых областей мозга на компьютерных изображениях. Эти ключевые области мозга включают базальные ганглии, лобную долю, височную долю, теменную долю и другие. Разработка модели автоматической сегментации состоит из двух основных частей: обучения и проверки. Ретроспективные когортные данные этого исследования используются для формирования обучающей выборки. Определенные области мозга аннотируются вручную, чтобы служить учебными материалами для модели. Для достижения удовлетворительных результатов обучения проводятся настройка параметров и внутренняя проверка. Данные о перспективных когортах этого исследования образуют независимый набор проверки, используемый для внешней проверки модели. Критериями оценки эффективности модели являются коэффициент DICE и величина потерь.

2. Исследование основных особенностей нейровизуализации, связанных с инсультом у пациентов с хронической внутричерепной артериальной окклюзией

   Используя маски, созданные с помощью модели автоматической сегментации, это исследование направлено на извлечение радиомической информации и параметров КТ-перфузии определенных областей мозга с помощью самостоятельно разработанного автоматизированного рабочего процесса. Эти функции будут использованы для создания модели машинного обучения, прогнозирующей риск инсульта у пациентов с хронической окклюзией внутричерепных артерий. Чтобы выбрать наиболее эффективные функции для прогнозирования хода, требуется процесс выбора функций и уменьшения размерности. В этом исследовании планируется использовать регуляризацию L1 для уменьшения размерности стандартизированных данных с целью оптимизации площади ROC под кривой (AUC). Таким образом, можно изучить и уточнить основные особенности нейровизуализации, связанные с инсультом у пациентов с окклюзией внутричерепных артерий, проанализировать их корреляцию с инсультом и использовать их для последующего построения моделей.

3. Построение и проверка модели прогнозирования инсульта на основе основных особенностей нейровизуализации ключевых областей мозга

Построение и проверка модели прогнозирования разделены на этапы обучения и проверки. Данные обучения собираются из обучающей когорты и проверяются внутри компании с использованием перекрестной проверки. Перспективная когорта остается независимой проверочной группой для внешней проверки модели. Построение модели начинается с тестирования производительности базовых моделей машинного обучения. Путем анализа производительности этих базовых моделей проектируется и строится архитектура модели ансамблевого обучения. Наконец, модель ансамблевого обучения проверена. Основным показателем производительности модели является площадь под кривой ROC (AUC), а дополнительные показатели оценки, такие как точность, полнота, прецизионность и показатель F1, используются для дополнительной оценки производительности.