机器学习结合磁共振弥散加权成像识别发病4.5 h内急性脑卒中患者

doi:10.13481/j.1671-587X.20230631

摘要/Abstract

摘要：

目的探讨机器学习方法结合磁共振弥散加权成像（DWI）识别4.5 h内急性缺血性脑卒中（AIS）患者的效果，为辅助评估AIS患者发病时间提供参考。方法选择DWI影像资料完整的AIS患者227例，根据发病至DWI检查时间将患者分为发病时间≤ 4.5 h组（n=70）和发病时间>4.5 h组（n=157）。227例患者采用完全随机法按照7∶3的比例划分为训练集（n=158）和测试集（n=69）。采用ITK-SNAP标注软件于DWI图像上划分感兴趣区域（ROI），采用Python软件Pyradiomics包由ROI图像中提取图像特征，Spearman相关性检验评估各特征的相关性并去除一致性过高的冗余特征，结合10倍交叉验证的最小绝对收缩和选择算子（LASSO）回归模型筛选可用于识别发病4.5 h内AIS患者的图像特征，采用支持向量机（SVM）、K近邻（KNN）、决策树、极限树、随机森林、XGBoost和LightGBM共 7种机器学习算法训练模型，采用受试者工作特征（ROC）曲线和曲线下面积（AUC）评估模型性能。结果由ROI图像中共提取107个图像特征，包括18个一阶特征、14个形态特征和75个纹理特征，经筛选最终获取22个可用于识别发病4.5 h内AIS患者的图像特征，包括4个一阶特征、6个形态特征和12个纹理特征。XGBoost模型识别发病4.5 h内AIS患者效果最佳，AUC为0.817，准确度、灵敏度和特异度分别为0.739、0.733和0.814。结论基于DWI影像的XGBoost模型可有效识别发病4.5 h内的AIS患者，对辅助评估AIS患者发病时间有一定的临床意义。

关键词: 急性缺血性脑卒中, 机器学习, 磁共振弥散加权成像, 发病时间, XGBoost模型

Abstract:

Objective To discuss the effectiveness of machine learning method combined with magnetic resonance diffusion weighted imaging （DWI） for recognition of the acute ischemic stroke （AIS） patient with onset time within 4.5 h，and to provide the reference for assisted assessment of onset time of AIS patients. Methods A total of 227 AIS patients with complete DWI imaging data were divided into onset time≤ 4.5 h group （n=70） and onset time >4.5 h group （n=157） based on their time from onset to DWI examination. The patients were randomly divided into training set （n=158） and test set （n=69） at a ratio of 7∶3. The regions of interest （ROI） were designated on the DWI images by ITK-SNAP annotation software， and the image features were extracted from the ROI images by the Pyradiomics package.The redundant features with high consistency were removed after evaluating the correlation of each feature by Spearman correlation test. Least absolute shrinkage and selection operator （LASSO） regression model with 10-fold cross-validation was used to recognize the image features of the AIS patients with onset time within 4.5 h. Seven machine learning algorithms， including Support Vector Machines （SVM）， K-Nearest Neighbors （KNN）， Decision Tree， Extra Trees， Random Forest， XGBoost， and LightGBM， were used to train the models. The performance of the models was evaluated by receiver operating characteristic curve （ROC） and the area under the curve （AUC）. Results A total of 107 image features， including 18 first-order features， 14 shape features， and 75 texture features， were extracted from the ROI images， among which 22 features were finally selected for recognition of the AIS patients with onset time within 4.5 h， including 4 first-order features， 6 shape features， and 12 texture features. The XGBoost model yielded the best results in recognizing the AIS patients with onset time within 4.5 h， and the AUC was 0.817， and the accuracy， sensitivity， and specificity were 0.739， 0.733， and 0.814，respectively. Conclusion The XGBoost model based on DWI imaging can effectively recognize the AIS patients with onset time within 4.5 h， which has certain clinical significance in assisting the assessment of onset time of the AIS patients.

Key words: Acute ischemic stroke, Machine learning, Magnetic resonance diffusion weighted imaging, Onset time, XGBoost model

中图分类号:

R743.3

徐灿飞,黄艳,张开治. 机器学习结合磁共振弥散加权成像识别发病4.5 h内急性脑卒中患者[J]. 吉林大学学报(医学版), 2023, 49(6): 1635-1641.

Canfei XU,Yan HUANG,Kaizhi ZHANG. Acute ischemic stroke patients with onset time within 4.5 h identified by machine learning combined with magnetic resonance diffusion weighted imaging[J]. Journal of Jilin University(Medicine Edition), 2023, 49(6): 1635-1641.

图/表 7

图1

图2

图3

图4

图5

图6

表1

参考文献 35

1	中华医学会神经病学分会，中华医学会神经病学分会脑血管病学组. 中国急性缺血性脑卒中诊治指南2018［J］. 中华神经科杂志， 2018， 51（9）： 666-682.
2	CHENG N T， KIM A S. Intravenous thrombolysis for acute ischemic stroke within 3 hours versus between 3 and 4.5 hours of symptom onset［J］. Neurohospitalist， 2015， 5（3）： 101-109.
3	JAUCH E C， SAVER J L， ADAMS H P J R， et al. Guidelines for the early management of patients with acute ischemic stroke： a guideline for healthcare professionals from the American Heart Association/American Stroke Association［J］. Stroke， 2013， 44（3）： 870-947.
4	霍晓川，高峰. 急性缺血性卒中血管内治疗中国指南2018［J］. 中国卒中杂志， 2018， 13（7）： 706-729.
5	CAMPBELL B C V， MA H， RINGLEB P A， et al. Extending thrombolysis to 4·5－9 h and wake-up stroke using perfusion imaging： a systematic review and meta-analysis of individual patient data［J］. Lancet， 2019， 394（10193）： 139-147.
6	THOMALLA G， BOUTITIE F， FIEBACH J B，et al. Stroke with unknown time of symptom onset： baseline clinical and magnetic resonance imaging data of the first thousand patients in WAKE-UP （efficacy and safety of MRI-based thrombolysis in wake-up stroke：a randomized， doubleblind， placebo-controlled trial）［J］. Stroke， 2017， 48（3）： 770-773.
7	李昊朋. 基于机器学习方法的智能机器人探究［J］. 通讯世界， 2019， 26（4）： 241-242.
8	韩小伟，李茗，张冰. 人工智能在脑卒中神经影像中的应用［J］. 协和医学杂志， 2021， 12（5）： 749-754.
9	傅璠，卢洁. 人工智能在缺血性脑卒中影像的研究进展［J］. 中华老年心脑血管病杂志， 2020， 22（10）： 1110-1112.
10	HO K C， SPEIER W， ZHANG H Y， et al. A machine learning approach for classifying ischemic stroke onset time from imaging［J］. IEEE Trans Med Imaging， 2019， 38（7）： 1666-1676.
11	LEE H， LEE E J， HAM S， et al. Machine learning approach to identify stroke within 4.5 hours［J］. Stroke， 2020， 51（3）： 860-866.
12	董建民，刘建新. 基于PyRadiomics的医疗影像纹理获取原型系统集成［J］. 软件导刊， 2020， 19（7）： 223-226.
13	王俊秀. 基于影像组学和机器学习的脑部胶质瘤分级模型研究［J］. 软件工程， 2022， 25（2）： 22-25.
14	史灵雪. 多参数MR影像组学特征对腮腺多形性腺瘤及腺淋巴瘤诊断价值的研究［D］. 长春：吉林大学， 2021.
15	杨晋芳. 基于支持向量回归的煤粉工业锅炉烟气氧含量预测［J］. 煤质技术， 2021， 36（4）： 24-29.
16	宋德胜，刘媛媛，李长平，等. 如何正确运用t检验：相关系数与0比较t检验及SAS实现［J］. 四川精神卫生， 2020， 33（4）： 312-316.
17	王璐，孙聚波. Lasso回归方法在特征变量选择中的应用［J］. 吉林工程技术师范学院学报， 2021， 37（12）： 109-112.
18	孙诗明. 基于概率计算的SVM研究与实现［D］. 成都：电子科技大学， 2020.
19	ZHANG Q， SHENG J H， ZHANG Q， et al. Enhanced Harris Hawks optimization-based fuzzy k-nearest neighbor algorithm for diagnosis of Alzheimer’s disease［J］. Comput Biol Med， 2023， 165： 107392.
20	BOTHA D， STEYN M. The use of decision tree analysis for improving age estimation standards from the acetabulum［J］. Forensic Sci Int， 2022， 341： 111514.
21	徐凌霄，刘俊，韩春霞，等. 基于机器学习的重症股骨颈骨折患者死亡风险预测模型构建和验证［J］. 同济大学学报（医学版）， 2022， 43（6）： 812-818.
22	蒋文萍，蒋珍存，董正心. 基于XGBoost的心力衰竭死亡风险评价模型及其应用［J］. 现代电子技术， 2022， 45（8）： 155-158.
23	唐淇，李丹，李原吉. 基于LightGBM算法的癫痫状态识别［J］. 电子测试， 2021（22）： 62-64.
24	许昕茼. 多模式MRI指导急性缺血性卒中患者静脉溶栓治疗的临床预后分析［D］. 长春：长春中医药大学， 2021.
25	毛旖川. 颅颈动脉血栓形成时间的定量MRI研究［D］. 苏州：苏州大学， 2019.
26	THOMALLA G， SIMONSEN C Z， BOUTITIE F，et al.MRI-guided thrombolysis for stroke with unknown time of onset［J］. N Engl J Med， 2018， 379（7）： 611-622.
27	吴迎春，王俊梅. DWI/Flair不匹配在醒后卒中和不明发病时间卒中患者再灌注治疗中应用研究［J］. 医学综述， 2018， 24（19）： 3824-3828.
28	EMERIAU S， SERRE I， TOUBAS O， et al. Can diffusion-weighted imaging-fluid-attenuated inversion recovery mismatch （positive diffusion-weighted imaging/negative fluid-attenuated inversion recovery） at 3 Tesla identify patients with stroke at <4.5 hours？［J］. Stroke， 2013， 44（6）： 1647-1651.
29	郭静丽，彭明洋，王同兴，等. 基于DWI和FLAIR的机器学习预测急性脑卒中发病时间的研究［J］. 磁共振成像， 2022， 13（3）： 22-25.
30	QIU W， KUANG H L， TELEG E， et al. Machine learning for detecting early infarction in acute stroke with non-contrast-enhanced CT［J］.Radiology，2020，294（3）： 638-644.
31	KUANG H， NAJM M， CHAKRABORTY D， et al. Automated ASPECTS on noncontrast CT scans in patients with acute ischemic stroke using machine learning［J］. AJNR Am J Neuroradiol， 2019， 40（1）： 33-38.
32	GARG R， OH E， NAIDECH A， et al. Automating ischemic stroke subtype classification using machine learning and natural language processing［J］. J Stroke Cerebrovasc Dis， 2019， 28（7）： 2045-2051.
33	KUANG H L， QIU W， BOERS A M， et al. Computed tomography perfusion-based machine learning model better predicts follow-up infarction in patients with acute ischemic stroke［J］. Stroke， 2021， 52（1）： 223-231.
34	CHOI J M， SEO S Y， KIM P J， et al. Prediction of hemorrhagic transformation after ischemic stroke using machine learning［J］. J Pers Med， 2021， 11（9）： 863.
35	GOYAL M， OSPEL J M. Letter by goyal and ospel regarding article， multimodal predictive modeling of endovascular treatment outcome for acute ischemic stroke using machine-learning［J］. Stroke， 2021， 52（2）： e83-e84.

Model	AUC	Accuracy	Sensitivity	Specificity
SVM	0.735	0.739	0.867	0.593
KNN	0.532	0.623	0.133	1.000
Decision Tree	0.624	0.638	0.600	1.000
Random Forest	0.761	0.783	0.733	0.811
Extra Trees	0.670	0.710	0.600	0.754
XGBoost	0.817	0.739	0.733	0.814
LightGBM	0.775	0.710	0.867	0.611

[1]	李嘉仪,贾晓静,贾少杰,马艳,沈玉秀,刘欣,曲鸿雁,白鸽,程娜. 阿司匹林和氯吡格雷双重抗血小板治疗对急性缺血性脑卒中并发微出血患者出血转归及预后的影响[J]. 吉林大学学报(医学版), 2021, 47(6): 1531-1537.
[2]	刘晓云,袁婷婷,席永强,佟丹. 表观弥散系数值在脑胶质瘤术前分级诊断中的应用价值[J]. J4, 2011, 37(1): 154-158.