临床放射学杂志

作者：翟沛清, 王灵杰, 石彩云, 张倩, 岳华杰, 乔英, 张华

单位：030001 山西省太原市,山西医科大学医学影像学院翟沛清;030001 山西省太原市,山西医科大学第一医院放射科王灵杰、石彩云、张倩、岳华杰、乔英、张华

关键词：卒中,动脉粥样硬化,斑块,CT血管造影,机器学习

基金：本研究系山西省基础研究计划自然科学研究面上项目基金资助项目(编号:20210302123256;20210302123253)

<b>目的</b> 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。<b>方法</b> 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。<b>结果</b> 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。<b>结论</b> 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。

来源：2024年第1期

《临床放射学》期刊编辑部

查看临床放射学杂志2024年第1期