基于SHAP方法的颅内动静脉畸形相关癫痫影像学特征分析

摘要：

目的:通过机器学习算法和SHAP方法探讨与颅内动静脉畸形(AVM)患者出现症状性癫痫相关的关键影像学特征。方法:回顾性纳入2022年1月至2023年1月北京医院(134例)、首都医科大学附属北京天坛医院(100例)、太原市中心医院(20例)、驻马店市中心医院(17例)4个中心的神经外科收治的271例颅内AVM患者，其中首发症状为癫痫者31例(癫痫组)，按照1 ∶2的比例对年龄和性别进行倾向性评分匹配，纳入对照组患者62例。基于CT血管成像资料比较两组患者病灶的体积、表面积、平均密度、球度、平坦度、伸长度、所在部位等传统影像学和形态学信息，同时提取病灶的影像组学特征，基于XGBoost建立机器学习模型，通过受试者工作特征(ROC)曲线的曲线下面积评价模型预测颅内AVM患者是否伴发癫痫的性能，并使用SHAP方法分析各影像学特征的重要性。结果:癫痫组病灶位于颞叶5例(16.1%)，对照组病灶位于颞叶19例(30.6%)，两组的差异无统计学意义(
χ2＝1.42，
P＝0.208)。两组患者病灶的体积、表面积、平均密度、球度、平坦度、伸长度的差异均无统计学意义(均
P>0.05)。影像组学特征经过L1正则化降维，最终纳入6项，与传统影像学及形态学信息共同纳入XGBoost模型，模型训练集和独立测试集的ROC曲线下面积分别为1.00和0.80。SHAP分析结果显示，5项颅内AVM相关症状性癫痫的特征(包括病灶高伸长度、高平坦度、低平均密度、位于颞叶及低峰度)及其他3个影像组学特征对模型具有中等或较大贡献。
结论:伴发癫痫的颅内AVM患者的畸形团在传统影像学、形态学及影像组学特征上存在显著特点，其中病灶的平坦度、伸长度、平均密度、位于颞叶及峰度为最重要的5个癫痫相关的影像学特征。

关键词：颅内动静脉畸形、癫痫、机器学习、影像组学、SHAP

所属期刊栏目：39

资助基金：国家科技支撑计划2021YFC2500502;China Science and Technology Support Program2021YFC2500502

在线出版日期：2024-01-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：984-990