论文部分内容阅读
背景与目的:急性缺血性脑卒中（Acute Ischemic Stroke,AIS）以其高发病率、高致残率、高死亡率、高复发率等特点严重危害国民健康。在发病后4.5小时内行重组人组织型纤溶酶原激活剂（recombinant tissue plasminogen activator,rt-PA）静脉溶栓是该病目前最为公认的治疗方案。该治疗有严格的时间窗要求,因为超过时间窗给予rt-PA静脉溶栓患者颅内出血的风险将大大增加。但在真实世界中,有部分适合rt-PA静脉溶栓的患者因发病时间不确定而未能接受该治疗（如觉醒卒中或不能提供确切病史的患者）,导致其预后不佳。对于发病时间不明的AIS患者,可通过读取磁共振弥散加权成像（diffusion weighted imaging,DWI）和液体衰减反转恢复（fluid attenuated inversion recovery,FLAIRI）中的不匹配信息大致判断脑卒中发生时间是否在4.5小时内,但常规的人工判读难以对其进行精准区分。机器学习是一门研究计算机如何通过模拟人类的学习方式来获取新的知识,并在对获得的知识结构进行重组后进一步完善自身性能的学科。随着计算机技术的不断改进,机器学习方法在医学影像辅助诊断方面的应用愈加广泛。目前,已有多项研究报道了结合多模态影像识别4.5小时内AIS患者的机器学习方法,但是对仅使用DWI影像评估AIS患者发病时间的机器学习方法的报道相对缺乏。本研究以明确发病时间的AIS患者的DWI影像为基础,训练了可用于识别发病时间在4.5小时内AIS患者的机器学习模型,以期辅助临床医师有效评估发病时间不明的AIS患者是否适合rt-PA静脉溶栓治疗。方法:本研究为回顾性研究。纳入2021年1月至2021年7月吉林大学中日联谊医院收治的明确发病时间,且在发病后24小时内接受DWI检查的AIS患者227例。根据发病至DWI检查时间,将患者分为发病时间≤4.5小时（70例）和＞4.5小时（157例）两类。两类患者以完全随机法按照7∶3的比例划分为训练集（共158例,其中≤4.5小时49例,＞4.5小时109例）和测试集（共69例,其中≤4.5小时21例,＞4.5小时48例）。收集患者DWI影像,使用ITK-SNAP图像标注软件在DWI上划分感兴趣区域。应用基于Python的Pyradiomics软件包从感兴趣区域图像中提取多个图像特征,对每个特征值进行Z-score正则化处理后通过Spearman相关性检验排除相关程度较高的特征,并使用结合10倍交叉验证的最小绝对收缩和选择算子回归模型筛选出在两类患者中存在显著差异的最优特征。以最终筛选出的最优特征为基础,在训练集中应用支持向量机、K紧邻、决策树、极度随机树、随机森林、Extreme Gradient Boosting（XGBoost）、Light Gradient Boosting Machine（Light GBM）等7种机器学习算法训练模型。在测试集中以受试者工作特征曲线下面积评估模型识别4.5小时内AIS患者的能力。在对以上模型进行100次随机校验后选出每种算法的最佳模型并进行比较。结果:1、使用Pyradiomics从DWI图像中提取了107个特征,通过Spearman相关性检验和最小绝对收缩和选择算子回归模型从中筛选出了22个最优特征,包括4个一阶特征,6个形态特征,12个纹理特征。2、7种模型中XGBoost模型对4.5小时内AIS患者的识别效果最佳,受试者工作特征曲线下面积为0.817,准确率、敏感度、特异度分别为0.739、0.733、0.814。结论:1、DWI影像在评估AIS患者发病时间方面是有意义的。2、基于DWI影像的机器学习模型在识别4.5小时内AIS患者方面优于传统的人工方法。3、基于DWI影像的XGBoost模型可有效识别4.5小时内的AIS患者,对于辅助临床医师评估AIS患者发病时间具有一定的临床转化价值。