论文部分内容阅读
目的:使用机器学习算法来改进BAT评分,提高其预测自发性脑出血(spontaneous intracerebral hemorrhage,s ICH)患者发生早期血肿扩大(hematoma expansion,HE)的性能。方法:搜集2015年5月至2020年5月于我院就诊的232例s ICH患者的临床和影像资料,以发病24小时内复查影像中血肿体积较首次血肿体积增加>6 m L或33%定义为发生早期HE。按照初始BAT评分方法计算每位患者的评分,评价初始BAT评分识别早期HE患者的性能。接着,将所有s ICH患者以7:3比例随机分成训练集(n=162)和验证集(n=70);在训练集中基于初始BAT评分的三个变量(混合征、低密度征和发病至首次CT检查时间),利用5种常用机器学习算法(随机森林算法、梯度提升树、朴素贝叶斯[Naive Bayes,NB]算法、逻辑回归算法和k近邻算法)构建修正的BAT评分,并在验证集中验证修正BAT评分。绘制受试者工作特征曲线(receiver operating characteristic curve,ROC)评价所有BAT评分的预测性能,采用De Long检验来比较所有BAT评分的预测性能,采用决策曲线分析方法评价修正BAT评分的临床应用价值。结果:初始BAT评分识别早期HE患者的ROC曲线下面积(area under the curve,AUC)为0.57。在5个修正BAT评分中,基于NB算法的修正BAT评分预测早期HE表现最佳,在训练集中其AUC为0.83,在验证集中其AUC为0.77。De Long检验结果表明,基于NB算法的修正BAT评分在训练集和验证集中的性能均显著优于初始BAT评分(P<0.001)。决策曲线分析结果显示,基于NB算法的修正BAT评分预测早期HE的临床适用性优于其他修正BAT评分。结论:在使用相同变量的情况下,机器学习算法可以提高初始BAT评分的预测性能。基于NB算法的修正BAT评分可作为识别早期HE高危患者的有效工具。目的:联合临床风险因素和基于CT平扫的脑血肿影像组学特征构建用于预测s ICH患者发生早期HE的模型,评估其预测性能。方法:搜集2014年4月至2020年9月于我院就诊的339例s ICH患者的临床和影像资料,以发病24小时内复查影像中血肿体积较首次血肿体积增加>6 m L或33%定义为发生早期HE。从患者基线CT平扫图像中提取脑血肿影像组学特征并通过特征筛选获得最佳影像组学特征,使用以上最佳特征构建预测早期HE的影像组学评分(radiomics score,Rad-score)模型。使用单因素和多因素分析筛选获得与HE发生有关的独立危险因素并构建临床模型,联合临床独立危险因素和Rad-score构建临床-影像组学联合模型,将表现最佳的预测模型进行可视化转换为列线图。绘制预测模型的ROC曲线和校准曲线进行性能评估。结果:单因素分析结果显示发病至首次CT检查时间、糖尿病史、格拉斯哥昏迷量表(Glasgow coma scale,GCS)评分、血小板计数、基线血肿体积在非HE组和HE组间存在显著差异(P<0.05)。多因素分析结果显示发病至首次CT检查时间(odds ratio[OR]=0.855;P=0.032)、糖尿病史(OR=0.522;P=0.014)、GCS评分(OR=0.914;P=0.039)和基线血肿体积(OR=1.015;P=0.046)是发生早期HE的独立危险因素。经过特征筛选得到20个与早期HE相关的最优影像组学特征。临床-影像组学模型预测HE的AUC(0.870)高于临床模型(0.650)和Rad-score(0.860)。临床-影像组学模型预测早期HE的概率与患者实际发生HE的概率具有较好一致性。结论:基于入院时临床资料和CT影像组学特征的临床-影像组学模型能够有效地预测s ICH早期HE,且其预测性能优于单纯临床模型;该模型可视化获得的列线图在早期HE发生风险评估方面具有较大的临床应用潜力。目的:开发并验证基于CT平扫的位置特定Rad-score和临床-影像组学联合模型,分别用于评估深部和脑叶s ICH6个月不良功能预后。方法:搜集2014年1月至2021年1月期间的494例s ICH患者进行回顾性分析。s ICH患者不良功能预后定义为其发病6个月时改良Rankin量表评分>2。利用基线CT平扫图像提取脑出血兴趣区的影像组学特征,通过特征筛选获得与不良功能预后相关的最优影像组学特征,利用最优影像组学特征计算获得Rad-score。在训练队列和验证队列里使用ROC曲线分析分别评价Rad-score在深部和脑叶s ICH6个月不良功能预后的预测性能,确定各自最佳预测性能的Rad-score截断值,并将其转换为二分类变量。在训练队列里,采用单因素和多因素分析法确定临床和影像学因素中与不良功能预后有关的独立预测因子,在深部和脑叶s ICH队列中分别构建位置特定的临床-影像学模型和临床-影像组学联合模型;在验证队列中分别验证各个预测模型。计算各模型的AUC、灵敏度和特异度。结果:在纳入分析的494例s ICH患者中,392例(79%)患者为深部s ICH,373例(76%)患者发生不良功能预后。多因素分析结果显示GCS评分、血肿体积、血肿位置、血肿扩大状态和Rad-score是s ICH患者6个月不良功能预后的独立预测因子(所有P<0.05)。不良功能预后评估结果显示,深部s ICH的Rad-score截断值为82.90(AUC=0.794),脑叶s ICH的Rad-score截断值为80.77(AUC=0.823)。对于深部s ICH,在训练队列和验证队列里,临床-影像组学联合模型预测不良功能预后的AUC分别为0.856和0.831。对于脑叶s ICH,在训练队列和验证队列里,临床-影像组学联合模型预测不良功能预后的AUC分别为0.866和0.843。结论:基于CT平扫的位置特定Rad-score和临床-影像组学联合模型能够用于评估深部和脑叶s ICH患者出血6个月时的不良功能预后;位置特定Rad-score可以考虑用作筛选目标人群的纳入指标,有助于改进s ICH疗效评估相关的临床试验设计。