论文部分内容阅读
背景及目的:血肿扩大与脑出血(intracerebral hemorrhage,ICH)患者的神经功能预后不良密切相关。因此,准确预测ICH患者是否发生血肿扩大具有重要的临床工作意义。在此研究中,我们探究了1种双模型的机器学习(machine learning,ML)方法对于血肿扩大的预测能力。此方法的特点是可以将ICH患者的非增强CT(non-contrast computed tomography,NCCT)图像信息与患者的多个临床资料数据结合用于血肿扩大的预测。方法:我们回顾性收集了2016年5月至2018年12月来自吉林大学第一医院的140例ICH患者(其中包含58位发生血肿扩大的患者),总共获得了5616张NCCT血肿图像(其中包含2635张发生血肿扩大的图像)以及每位患者的10个临床资料数据。此研究中使用的双模型ML方法包含2个步骤。第1个步骤是使用1个基于深度卷积神经网络(deep convolutional neural network,DCNN)的单模型预测器,此预测器仅使用患者的基线NCCT图像进行血肿扩大的预测。为了选择合适的DCNN模型,我们同时比较了3个DCNN模型的预测性能,包括ResNet34(residual neural network with 34 layers),VGGNet(visual geometry group network),GoogLeNet(Google inception network)。在此步骤中,我们也探究了血肿分割的方法是否可以提高预测结果。第2个步骤是使用基于多层感知机(multi-layer perception,MLP)的双模型预测器,即将第1步骤中的单模型预测器的结果与患者的多个临床数据结合进行最后结果的预测。计算每个模型预测的敏感度,特异性,阳性预测值,阴性预测值,并且使用受试者工作特征曲线(the receiver operating characteristic,ROC)和曲线下面积(area under the curves,AUC)来评估预测性能。结果:1.在第1步的基于DCNN的单模型预测中,ResNet34预测血肿扩大的性能要优于其余两个网络。使用进行血肿分割图像训练的网络要比使用未进行血肿分割图像训练的网络的准确率低2%-3%。因此,取得最佳预测性能的单模型预测器是使用未进行血肿分割图像训练的ResNet34,其准确率、敏感度、特异性、阳性预测值、阴性预测值分别为69.5%、75.4%、64.9%、62.6%和77.2%,AUC值为0.68。2.在第2步中,结合NCCT图像和10个临床资料的双模型预测器较第1步中的单模型预测器,准确率提升了17%,其准确率、敏感度、特异性、阳性预测值、阴性预测值分别为86.5%、82.6%、88.9%、90.9%和80.0%。AUC值为0.91。结论:1.仅使用NCCT图像训练的单模型预测器,其预测血肿扩大的准确率有限。2.将血肿部分从脑组织背景中分离出来的图像分割方法无法提高预测器对于血肿扩大的预测性能。3.最终提出的双模型预测的ML方法可以将患者NCCT图像信息和临床资料综合分析,能够达到86.5%的准确率以及具有较为均等的敏感度和特异性。因此,该ML方法可以作为有效识别血肿扩大高风险人群的预测工具。