Artykuł badawczy

Hybrydowa modelowanie CNN-ViT do prognozowania wyniku funkcjonalnego po udarze niedokrwiennym: Badanie retrospektywne

DOI:

10.3791/71552

⸱

12 czerwca 2026

 ,  ,  ,  ,  , 
1Department of Nuclear Medicine, Shenzhen University General Hospital, 2Department of Radiology, Shenzhen University General Hospital, 3Department of Radiology, Cangzhou Central Hospital

* These authors contributed equally

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Hbrydowy model CNN-ViT wyodrębnił cechy multiparametricznego MRI, a ułożona w stos regresja logistyczna połączyła przewidywania obrazowe i kliniczne w celu oszacowania 90-dniowego wyniku funkcjonalnego po ostrym udarze niedokrwiennym. Model fuzyjny osiągnął najwyższą wewnętrzną wydajność testu, z AUC 0,885 i dokładnością 0,840, oraz wykazał zachęcającą wydajność weryfikacji zewnętrznej.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ostre udarzenie niedokrwiennego mózgu (AIS) jest główną przyczyną śmierci i długotrwałej niepełnosprawności, a wcześnie przewidywanie powrotu do zdrowia jest ważne dla wyznaczania kierunków podejmowania decyzji klinicznych i planowania rehabilitacji. Stan zdrowia funkcjonalny po 90 dniach jest powszechnie oceniany za pomocą zmodyfikowanej skali Rankina (mRS), ale przewidywanie długoterminowych wyników na podstawie wczesnych informacji klinicznych i obrazowych nadal stanowi wyzwanie. Założyliśmy, że zintegrowanie wieloparametrowego obrazowania rezonansu magnetycznego (MRI) ze zstrukturyzowanymi zmiennymi klinicznymi za pomocą hybrydowej architektury sieci konwolucyjnej neuronowej (CNN) - Vision Transformer (ViT) poprawi przewidywanie 90-dniowych wyników funkcjonalnych w porównaniu z modelami jednomodalnymi. Przeanalizowano retrospektywną kohorty 300 pacjentów z AIS, którzy przeszli wieloparametrowe MRI, i podzielono ją na kohorty treningowo-walidacyjną (n = 250) oraz wewnętrzną niezależną kohorty testowej (n = 50). Dodatkowo, do oceny ogólności modelu włączono zewnętrzną kohorty testową 37 pacjentów z AIS. Opracowano hybrydowy model CNN-ViT do ekstrakcji wieloparametrowym cechami MRI, a przewidywania obrazowe i kliniczne zintegrowano za pomocą stosowane regresji logistycznej. Wydajność modelu oceniono na podstawie obszaru pod krzywą charakterystyki operacyjnej odbiornika (AUC), czułości, swoistości i dokładności. Wśród ocenianych modeli klinicznych, maszyna wektorów nośnych osiągnęła najwyższy wewnętrzny testowy AUC (0,878). Model obrazowy osiągnął AUC 0,782. Model fuzji multimodalnej osiągnął najlepszą ogólną wewnętrzną wydajność, z AUC 0,885, czułością 0,920, swoistością 0,760 i dokładnością 0,840. Podobne trendy wydajności obserwowano w zewnętrznej kohorcie testowej. Te wyniki sugerują, że stosowana fuzja wieloparametrowego MRI i przewidywań klinicznych może poprawić przewidywanie 90-dniowych wyników funkcjonalnych po AIS. Jednak przed wdrożeniem klinicznym wymagane są większe badania wieloośrodkowe.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ostra zawała mózgowa (AIS) pozostaje jedną z głównych przyczyn zgonów i długotrwałej niepełnosprawności, a lekarze muszą wcześnie oszacować możliwość powrotu do zdrowia, gdy decyzje dotyczące leczenia i zwolnienia są najbardziej wrażliwe na czas1. Dokładne wczesne przewidywanie powrotu do funkcji ma zatem kliniczne znaczenie dla wyznaczania strategii leczenia, planowania rehabilitacji i podejmowania decyzji o zwolnieniu. Dziewięćdziesięciodniowy wynik funkcjonalny jest standardowym punktem końcowym w badaniach i opiece nad zawałami mózgu i najczęściej mierzy się go za pomocą zmodyfikowanej skali Rankina (mRS), która ma udokumentowaną ważność i niezawodność w badaniach klinicznych i obserwacyjnych2,3. Pomimo rutynowego stosowania, przewidywanie 90-dniowego mRS na podstawie danych z przyjęcia nadal jest trudne, ponieważ niepełnosprawność odzwierciedla zarówno nieodwracalne uszkodzenie tkanki, jak i rezerwę przedchorobową oraz obciążenie współistniejącymi chorobami, które wpływają na powrót do zdrowia, nawet jeśli ostre wyniki obrazowania są podobne2,4.

Multiparametrowe MRI dostarcza klinicznie przydatnych biomarkerów wczesnych uszkodzeń niedokrwiennych i stanu tkanki, które nie są w pełni uchwycone przez pojedynczy kontrast obrazowania. Obrazowanie rozsiewu dyfuzyjnego (DWI) jest bardzo wrażliwe na wczesne zmiany niedokrwiennych. Obrazowanie współczynnika dyfuzji pozornej (ADC) ilustruje ograniczenie dyfuzji i wykazało przydatność prognostyczną w ostrych kohortach udarowych5. T2 fluid-attenuated inversion recovery (T2-FLAIR) uzupełnia obrazowanie rozsiewu poprawiając wizualizacje ewolucji zmian i jest kluczowe dla podejść DWI-FLAIR mismatch stosowanych do oszacowania wieku zmiany i kwalifikacji do leczenia, gdy czas wystąpienia jest niepewny6,7. Duże badania wieloośrodkowe i randomizowane wykazały, że DWI-FLAIR mismatch identyfikuje pacjentów w 4,5-godzinnym oknie terapeutycznym i wspiera trombolizę kierowaną MRI w przypadku udaru o nieznanym czasie wystąpienia, podkreślając znaczenie prognostyczne DWI i FLAIR poza diagnozą6,7. Łącznie te obserwacje wspierają strategie modelowania integrujące DWI, ADC i T2-FLAIR, aby uchwycić zarówno wczesne charakterystyki rdzenia niedokrwiennego, jak i informacje czasowe, które mogą wpływać na powrót do funkcji.

Równolegle, ustalona zmienna kliniczna dostarcza silnego sygnału prognostycznego i jest rutynowo dostępna po przyjęciu4. Skala National Institutes of Health Stroke Scale (NIHSS) jest szeroko stosowanym miernikiem nasilenia defektu neurologicznego i silnie przewiduje wynik kliniczny. Podtyp etiologiczny udaru, w tym klasyfikacja Trial of Org 10172 in Acute Stroke Treatment (TOAST), może dostarczyć dodatkowe informacje prognostyczne poza NIHSS w niektórych analizach8,9. Poprzednie prace również wykazały, że czynniki ryzyka naczyniowego i stany współistniejące są wielokrotnie identyfikowane wśród kandydatów do predykcji złego wyniku w kohortach udaru niedokrwiennego i badaniach prognostycznych4,10. Określone stany współistniejące, takie jak migotanie przedsionków, niedomagałe serce i cukrzyca, są konsekwentnie związane z gorszymi 90-dniowymi wynikami funkcjonalnymi po udarze1,11,12. Palenie jest związane z gorszymi 90-dniowymi wynikami funkcjonalnymi, podczas gdy używanie alkoholu wykazuje słabsze lub zależne od dawki powiązania, a zaburzenia lipidowe wykazują bardziej złożone relacje z niepełnosprawnością po udarze13,14,15,16,17. Te ustalenia wspierają łączenie strukturalnych wskaźników klinicznych, które uwzględniają nasilenie udaru, etiologię i obciążenie chorobami współistniejącymi z wieloparametrowym MRI, zamiast polegać na jednej modalności.

Ostatnie badania dotyczące uczenia maszynowego sugerują, że modele obliczeniowe mogą integrować heterogeniczne biomarkery w celu poprawy przewidywania wyniku udaru, chociaż wydajność zależy mocno od modalności danych, składu kohorty, projektu modelu i strategii radzenia sobie z nierównowagą klas18,19,20. Gradient boosting i metody zespołowe wykazały wykonalność przewidywania 90-dniowego mRS przy użyciu obrazowania, zmiennych demograficznych i klinicznych, szczególnie dla klasyfikacji binarnej niekorzystnego wyniku (mRS > 2)18. Ostatnie badania wieloośrodkowe łączące 3-wymiarowe wyniki konwolucyjnej sieci neuronowej (CNN) pochodzące od obrazowania MRI z DWI, ADC i FLAIR ze strukturalnymi zmiennymi klinicznymi wykazały, że modele multimodalne uchwycą uzupełni

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

To study zostało zatwierdzone przez Komitet Etyczny Szpitala Ogólnego Uniwersytetu w Shenzhen (numer zatwierdzenia IRB: KYLL-2026-077-1). Wymóg pisemnej zgody pacjenta został uchylony ze względu na retrospektywny charakter badania.

1. Grupa badawcza

Pacjenci z ostrym udarem niedokrwiennym (AIS), którzy przeszli multiparametrowe badanie MRI, zostali retrospektywnie zidentyfikowani na podstawie danych z bazy danych klinicznej instytucji. Przepływ badania, w tym podział zestawu danych, opracowanie modelu obrazu, konstrukcja modelu klinicznego i multimodalne łączenie, przedstawiono na Rysunku 1.

Rysunek 1
Rysunek 1: Przepływ pracy multimodalnego modelu prognozowania wyników. (A) Pozyskiwanie danych. Pacjenci z ostrym udarem niedokrwiennym (AIS) spełniający wstępnie zdefiniowane kryteria włączenia zostali retrospektywnie zidentyfikowani. Zestaw danych został podzielony na kohorty treningowo-walidacyjną (n = 250), wewnętrzną niezależną kohorta testową (n = 50) i zewnętrzną kohorta testową (n = 37). W kohorcie treningowo-walidacyjnej przeprowadzono pięciokrotne walidację krzyżową z warstwowaniem. (B) Opracowanie modelu obrazu. Multiparametrowe sekwencje MRI, w tym dyfuzyjne obrazy ważone (DWI), współczynnik dyfuzji uwarunkowanej (ADC) i T2 fluid-attenuated inversion recovery (T2-FLAIR), zostały przetworzone za pomocą hybrydowej 3-wymiarowej sieci konwolucyjnej neuronalnej – Vision Transformer (CNN-ViT) do prognozowania wyników. (C) Opracowanie modelu klinicznego. Do uczenia modeli uczenia maszynowego do prognozowania 90-dniowego wyników funkcjonalnych wykorzystano strukturalne zmienne kliniczne. (D) Strategia multimodalnego łączenia. Przewidywania generowane przez modele obrazu i kliniczne były integrowane za pomocą meta-uczącej metody logistycznej regresji stosowane w modelach logistycznych do wytworzenia ostatecznych prognoz wyników. Proszę kliknąć tutaj, aby wyświetlić większą wersję tego rysunku.

Badania MRI były wykonywane za pomocą klinicznych systemów MRI. Do pozyskiwania obrazów użyto dedykowanego fasetowanego uzwojenia głowy. Wszystkie sekwencje były zdobywane na płaszczyźnie osiowej, z zachowaniem konsystencji pozycjonowania przekrojów w różnych modalnościach. Obrazy dyfuzyjne ważone (DWI) były zdobywane za pomocą pojedynczego echo-planar imaging spin-echo z czasem powtarzania (TR) 3000–5000 ms i czasem echo (TE) 80–90 ms. Dyfuzja była uwzględniana za pomocą wartości b 0 i 800–1000 s/mm2 w co najmniej trzech kierunkach ortogonalnych. Pole widzenia wahało się od 220–240 mm z rozmiarem matrycy 128 × 128. Grubość przekrojów wynosiła 5–6 mm z odstępem między przekrojami 1–1,5 mm. Zdobywano od dwóch do czterech średnich sygnałów.

Mapy współczynników dyfuzji uwarunkowanej (ADC) były automatycznie generowane z danych DWI na stacji roboczej skanera za pomocą dopasowania jednoeksponencjalnego opartego na nabytych wartościach b. Wartości ADC były obliczane wokselowo i eksportowano je do analizy ilościowej. Obrazy T2 fluid-attenuated inversion recovery (T2-FLAIR) były zdobywane za pomocą sekwencji inwersji z TR 8000–10000 ms, TE 80–140 ms i czasem inwersji 2200–2600 ms. Pole widzenia wahało się od 220–240 mm z rozmiarem matrycy 192 × 192 do 256 × 256. Grubość przekrojów wynosiła 4–5 mm z odstępem między przekrojami 1–1,5 mm.

2. Przetwarzanie danych

Dane kliniczne były importowane z baz danych zawierających identyfikatory przypadków, wyniki mRS, dane dotyczące podziału zestawu danych oraz zmienne demograficzne i kliniczne. Identyfikatory przypadków były standaryzowane w celu zapewnienia spójności z nazami plików obrazów. Zmienne kliniczne obejmowały cechy demograficzne, ciężkość udaru mierzona za pomocą National Institutes of Health Stroke Scale (NIHSS), czynniki ryzyka naczyniowego i warunki współistniejące zapisane w momencie przyjęcia.

Głównym wynikiem był stan funkcjonalny 90 dni po wystąpieniu udaru mierzony za pomocą skali Rankina (mRS). Korzystny wynik był definiowany jako mRS ≤ 2, a niekorzystny wynik jako mRS > 2. Zestaw danych był losowo podzielony na kohorty treningowo-walidacyjną i wewnętrzną niezależną kohorta testową za pomocą podziału warstwowego na podstawie rozkładu mRS, aby zachować równowagę wyników. Zewnętrzna kohorta testowa była przetwarzana osobno i nie była używana podczas opracowywania modelu. W kohorcie treningowo-walidacyjnej zastosowano pięciokrotną walidację krzyżową z warstwowaniem, aby zachować spójność rozkładu wyników w poszczególnych grupach.

Wszystkie objętości DWI, ADC

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Kohorta badawcza

W badaniu uwzględniono 300 pacjentów z ostrym udarem niedokrwiennym (AIS), po zastosowaniu wstępnie określonych kryteriów włączenia i wykluczenia. Zestaw danych podzielono na kohorty treningowo-walidacyjną (n = 250) i wewnętrzną niezależną kohortę testową (n = 50) przy użyciu próbkowania warstwowego w oparciu o rozkład wyników funkcjonalnych. Ponadto włączono zewnętrzną kohortę testową 37 pacjentów z AIS z niezależnego zestawu danych w celu zapewnienia wstępne...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

To studium opracowało i zweryfikowało multimodalny rama sztucznej inteligencji integrujący wieloparametrowe MRI i strukturalne zmienne kliniczne w celu przewidywania 90-dniowego wyniku funkcjonalnego po ostrym udarze niedokrwiennym mózgu (AIS). Zaproponowany model fuzyjny wykazał wyższą wydajność predykcyjną niż model obrazowczy lub kliniczny stosowany samodzielnie. Szczególnie, zestawiony model multimodalny integrujący przewidywania z modelu klinicznego opartego na maszynie wektorów nośnych (SVM) oraz modelu obrazowczym...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy deklarują, że nie mają żadnych rywalizujących interesów.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

To badanie nie otrzymało żadnych konkretnych dotacji od żadnej agencji finansującej w sektorze publicznym, komercyjnym lub non-profit.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

```html

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
System do rezonansu magnetycznego ((Discovery MR750 3.0T)GE Healthcarehttps://www.gehealthcare.in/products/magnetic-resonance-imaging/3-0t/discovery-mr750Kliniczny skaner MRI używany do pozyskiwania obrazów DWI, ADC i T2-FLAIR
Phased-array head coilGE Healthcarehttps://services.gehealthcare.com/gehcstorefront/p/5450630Kolumna głowicy używana do odbioru sygnału MRI
Jednostka przetwarzania graficznego (RTX 4090)NVIDIAhttps://www.nvidia.com/en-us/geforce/graphics-cards/40-series/rtx-4090/GPU używana do szkolenia modeli uczenia głębokiego
Framework uczenia głębokiego (PyTorch v2.1)PyTorch Foundationhttps://pytorch.org/Framework używany do implementacji modelu CNN-Transformer
Język programowania (Python v3.10)Python Software Foundationhttps://www.python.org/downloads/release/python-3100/Środowisko używane do opracowywania modeli i przetwarzania danych
Biblioteka uczenia maszynowego (scikit-learn)scikit-learn Developershttps://scikit-learn.org/stable/Używana do kliniczna modeli uczenia maszynowego i analizy statystycznej
Biblioteka gradient boosting (XGBoost)DMLChttps://xgboost.readthedocs.io/en/release_3.2.0/Używana do implementacji modelu gradient boosting
Biblioteka gradient boosting (LightGBM)Microsofthttps://lightgbm.readthedocs.io/en/stable/Używana do kliniczna modelu LightGBM
```

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Przewidywanie wynik w funkcjonalnychwieloparametryczny rezonans magnetycznykonwolucyjna sie neuronowaVision Transformerzmodyfikowana skala Rankinastosowana regresja logistycznamaszyna wektor w wspieraj cychfuzja multimodalna

Powiązane artykuły