您的账号已在其他设备登录,您当前账号已强迫下线,
如非您本人操作,建议您在会员中心进行密码修改

确定
收藏 | 浏览26 | 下载8

目的 基于治疗前临床和扩散加权成像(diffusion weighted imaging,DWI)影像组学特征构建机器学习模型,以期在机械取栓治疗前预测急性脑卒中无效再通的风险.方法 选取接受机械取栓治疗并达到完全再通(mTICI:2b~3级)的急性脑卒中患者147 例.根据3 个月mRS评分将患者分为有效再通组(mRS评分:0~2 分)和无效再通组(mRS评分:3~6 分).从DWI图像中提取1130 个影像组学特征并应用最小绝对收缩与选择算子算法筛选特征.应用支持向量机(support vector machine,SVM)构建并比较临床模型、影像组学模型和临床-影像组学模型效能,并选择最优模型构建急性脑卒中无效再通列线图预测模型.结果 临床-影像组学模型在训练集中预测急性脑卒中无效再通的AUC为 0.925,敏感度和特异度分别为100

作者:魏水国;杨帆;马跃虎;陈国中;彭明洋

来源:医学影像学杂志 2023 年 33卷 11期

知识库介绍

临床诊疗知识库该平台旨在解决临床医护人员在学习、工作中对医学信息的需求,方便快速、便捷的获取实用的医学信息,辅助临床决策参考。该库包含疾病、药品、检查、指南规范、病例文献及循证文献等多种丰富权威的临床资源。

详细介绍
热门关注
免责声明:本知识库提供的有关内容等信息仅供学习参考,不代替医生的诊断和医嘱。

收藏
| 浏览:26 | 下载:8
作者:
魏水国;杨帆;马跃虎;陈国中;彭明洋
来源:
医学影像学杂志 2023 年 33卷 11期
标签:
急性脑卒中 无效再通 影像组学 机器学习 列线图 Acute stroke Futile recanalization Radiomics Machine learning Nomogram
目的 基于治疗前临床和扩散加权成像(diffusion weighted imaging,DWI)影像组学特征构建机器学习模型,以期在机械取栓治疗前预测急性脑卒中无效再通的风险.方法 选取接受机械取栓治疗并达到完全再通(mTICI:2b~3级)的急性脑卒中患者147 例.根据3 个月mRS评分将患者分为有效再通组(mRS评分:0~2 分)和无效再通组(mRS评分:3~6 分).从DWI图像中提取1130 个影像组学特征并应用最小绝对收缩与选择算子算法筛选特征.应用支持向量机(support vector machine,SVM)构建并比较临床模型、影像组学模型和临床-影像组学模型效能,并选择最优模型构建急性脑卒中无效再通列线图预测模型.结果 临床-影像组学模型在训练集中预测急性脑卒中无效再通的AUC为 0.925,敏感度和特异度分别为100

Baidu
map