目的 使用机器学习及影像组学构建 2 型糖尿病脑梗死后再发脑梗死的风险预测模型.方法 采用分层随机抽样方法回顾性分析2020 年1 月至2023 年5 月沈阳市第二中医医院中风病区收治的2 型糖尿病合并急性脑梗死患者 90 例.按 7:3 的比例划分 90 例患者为训练组(63 例,3 年内未再发脑梗死 26 例,3 年内再发脑梗死 37 例)与测试组(27 例,3 年内未再发脑梗死 17 例,3 年内再发脑梗死 10 例),使用 3D-slicer软件提取脑梗死区域图像影像组学特征.使用主成分分析可视化初次梗死及再梗死影像组学特征分布情况.采用最小绝对收缩和选择算子回归分析及支持向量机递减特征消除进行特征筛选,使用logistic多因素回归构建预测模型,在训练组与测试组中应用受试者操作特征(ROC)曲线对模型进行验证,评价影像组学特征鉴别糖尿病脑梗死与再发脑梗死的效能.最后使用Spearman相关系数进行鉴别特征与临床理化数据的相关分析.结果 2 型糖尿病患者初发与再发两组间舒张压、空腹血糖、甘油三酯、胆固醇及糖化血红蛋白具有统计学差异(P<0.05).3D-slicer软件共提取出 837 个影像组学特征.主成分分析中PC1 和PC2 共解释了87.1%的总体变异,两组间存在较为明显的分离趋势.LASSO模型筛选出 10 个特征,SVM-RFE筛选出 5 个特征,两种机器学习共有 5 个交集影像组学特征,使用 5 个影像组学特征用于构建 2 型糖尿病脑梗死后再梗死的风险预测模型.训练组中预测模型的ROC曲线下面积(AUC)为 0.642,测试组中AUC为 0.639.Spearman相关性分析发现,风险特征与糖化血红蛋白、舒张压、甘油三酯、胆固醇、血糖具有显著相关性(rs>0.5,P<0.05).结论 基于机器学习及影像组学构建 2 型糖尿病脑梗死后再梗的风险预测模型具有良好的鉴别效能.
NETL
NSTL
万方数据
