目的 基于急性脑卒中弥散加权成像(diffusion weighted imaging,DWI)和液体衰减反转恢复序列(fluid attenuated inversion recovery,FLAIR)的影像组学特征,通过机器学习构建急性脑卒中发病时间的预测模型.材料与方法 回顾性分析188例急性脑卒中患者的MRI图像.采用ITK-SNAP软件对DWI上高信号梗死区和FLAIR上对应的急性梗死区进行分割,并应用人工智能应用平台(artificial intelligent kit,A.K.)进行影像组学特征提取和降维,最终使用最小绝对收缩与选择算子算法(least absolute shrinkage and selection operator,LASSO)确定发病时间相关的最佳影像组学特征,通过支持向量机分类器评估其在发病时间预测中的价值,并与人工识别的结果 进行比较.结果 共筛选出10个(7个DWI特征及3个FLAIR特征)与卒中发病时间密切相关的影像组学特征.人工识别受试者操作特征(receiver operating characteristic,ROC)分析显示DWI-FLAIR不匹配预测急性脑卒中发病时间的曲线下面积(area under curve,AUC)为0.634,敏感度和特异度分别为0.667、0.622.ROC分析显示该模型预测训练集患者发病时间的AUC为0.975,敏感度和特异度分别为0.932、0.950;预测测试集患者发病时间的AUC为0.915,敏感度和特异度分别为0.868、0.852.结论 基于DWI和FLAIR

作者：郭静丽；彭明洋；王同兴；陈国中；殷信道；刘浩

来源：磁共振成像 2022 年 13卷 3期