基于临床-影像组学特征的机器学习模型预测颅内动脉瘤的破裂风险

目的 探讨基于临床-影像组学特征的机器学习模型预测颅内动脉瘤破裂风险的效能。方法 回顾性分析2019年1月至2022年12月收治的153例颅内动脉瘤的临床资料。利用单因素分析筛选出影响动脉瘤破裂的临床特征;收集DICOM格式影像数据,利用3D Slicer软件对载瘤动脉进行三维重建与分割,利用radiomics插件提取动脉瘤的形态学特征,并利用LASSO算法筛选影响动脉瘤破裂的重要形态学特征;构建基于临床和形态学特征的机器学习模型,计算各模型预测颅内动脉瘤破裂风险的曲线下面积、准确度、精准度、灵敏度、特异度。结果 153例中,破裂动脉瘤43例(破裂组),未破裂动脉瘤110例(未破裂组)。与未破裂组相比,破裂组高血压病人占比较高(P<0.05)。与未破裂组相比较,破裂组动脉瘤形态学特征的伸长率、球形度明显缩小(P<0.05),而动脉瘤最小轴径、最大轴径、冠状面最大直径、最大三维直径、网格体积、表面积、表面积体积比和体素体积明显增大(P<0.05)。纳入分析的14个形态学特征经过LASSO回归与十折交叉验证选择最优lambda值0.023,最终筛选出6个最优形态学特征,根...