利用超声心动图、深度学习及放射组学技术识别左心室非收缩患者发生缺血性中风的风险

《BMC Medical Imaging》：Identification of ischemic stroke risk in patients with left ventricular non-compaction using echocardiography, deep learning, and radiomics

　　

摘要

背景

左心室非致密化（LVNC）与缺血性中风（IS）之间存在一定的关联；但目前尚无可用于评估LVNC患者患IS风险的预测模型。

方法

这项多中心回顾性研究纳入了来自两家机构的309名LVNC患者。机构1的228名患者用于构建训练集和内部验证集，而机构2的81名患者则作为外部验证集。深度迁移学习特征是通过基于ResNet101的模型提取的，而放射组学特征则是通过Pyradiomics工具提取的。特征选择采用LASSO方法，选出的特征再输入到XGBoost中，从而构建出Res101-RAD-XGB模型。该模型的性能通过接收者操作特征曲线（ROC）分析和决策曲线分析（DCA）来评估，其可解释性则通过SHAP分析和Grad-CAM方法进行判定。最后，将Res101-RAD-XGB模型的性能与临床标准进行比较，以评估其有效性。

结果

Res101-RAD-XGB模型在训练集、内部验证集和外部验证集上的曲线下面积分别为0.942、0.913和0.921，其性能优于仅使用单一类型特征或临床标准的模型。

结论

Res101-RAD-XGB模型能够准确识别出有IS风险的LVNC患者，有助于专家为这些高风险人群制定针对性的预防策略。