整合能谱CT定量参数的机器学习模型对症状性颈动脉斑块识别的应用研究
目的 评估整合能谱CT定量参数、传统CT特征及临床参数的机器学习(ML)模型对症状性颈动脉斑块的识别能力.方法 回顾性分析171例行头颈部CTA检查发现颈动脉斑块的患者资料.由两位观察者独立观察、测量并计算3个能谱CT定量参数以及8个传统CT特征,并收集患者的临床资料.将研究人群分为症状组(n=104)和无症状组(n=67),并进行组间差异性分析以及传统的多因素Logistic回归分析.使用能谱CT定量参数、传统CT特征及临床参数,并基于XGboost算法构建症状性斑块的预测模型.绘制受试者工作特征(ROC)曲线,根据曲线下面积(AUC)计算模型的准确率、F1分数等指标评估模型的性能.结果 包括前十个重要变量的XGboost 整合模型[AUC 0.946(95％CI 0.890～1.000)]的 AUC 值显著高于能谱特征模型[AUC 0.778(95％CI 0.638～0.918),P=0.016]、传统 CT 特征模型[AUC 0.702(95％CI 0.548～0.856),P=0.001]及临床参数模型[AUC 0.754(95％CI 0.608～0.900),P=0.009].此外,相较于传统的多因素 Logistic 回归分析[AUC 0.845(95％CI 0.785～0.904)],XGboost整合模型亦具有较高的症状性斑块识别能力.结论 整合能谱CT定量参数、传统CT特征及临床参数的ML模型具有较好的症状性颈动脉斑块的识别能力.
卒中、动脉粥样硬化、斑块、CT血管造影、机器学习
43
R743.3;TP391.41;TP181
山西省基础研究计划自然科学研究面上项目;山西省基础研究计划自然科学研究面上项目
2024-02-27（万方平台首次上网日期，不代表论文的发表时间）
共7页
22-28
