[论文解读] Towards Automatic Prediction of Outcome in Treatment of Cerebral Aneurysms

Ashutosh P. Jadhav, Satyananda Kashyap+7 more|arXiv (Cornell University)|Nov 18, 2022

Intracranial Aneurysms: Treatment and Complications被引用 6

一句话总结

本研究开发了一种机器学习模型，利用来自2D和3D血管造影分割的临床和影像学特征，预测宽颈分叉动脉瘤的治疗结局。该模型在使用腔内血流扰乱器进行血管内栓塞后，对完全闭塞与部分闭塞的分类中，准确率达到75.31%，加权F1得分达到0.74。

ABSTRACT

Intrasaccular flow disruptors treat cerebral aneurysms by diverting the blood flow from the aneurysm sac. Residual flow into the sac after the intervention is a failure that could be due to the use of an undersized device, or to vascular anatomy and clinical condition of the patient. We report a machine learning model based on over 100 clinical and imaging features that predict the outcome of wide-neck bifurcation aneurysm treatment with an intravascular embolization device. We combine clinical features with a diverse set of common and novel imaging measurements within a random forest model. We also develop neural network segmentation algorithms in 2D and 3D to contour the sac in angiographic images and automatically calculate the imaging features. These deliver 90% overlap with manual contouring in 2D and 83% in 3D. Our predictive model classifies complete vs. partial occlusion outcomes with an accuracy of 75.31%, and weighted F1-score of 0.74.

研究动机与目标

• 改善使用腔内血流扰乱器治疗的脑动脉瘤治疗结局的预测能力。
• 解决介入治疗后动脉瘤囊内残留血流这一导致治疗失败的关键问题。
• 将多种临床和影像学特征整合到统一的预测模型中，以提供更优的决策支持。
• 通过2D和3D中的深度学习分割自动化提取影像学特征。
• 评估模型在区分血管内治疗后完全闭塞与部分闭塞结局方面的性能。

提出的方法

• 从患者数据中收集了超过100项临床和影像学特征，包括血流动力学和解剖学指标。
• 开发了2D和3D卷积神经网络（CNN）模型，用于旋转血管造影中动脉瘤囊的自动分割。
• 在2D中实现了与人工分割90%的Dice重叠，在3D中实现了83%的Dice重叠，验证了分割的准确性。
• 将临床和影像学特征整合到随机森林分类器中，用于结局预测。
• 使用加权F1得分和准确率作为评估指标，以衡量模型性能。
• 在使用血管内装置治疗的宽颈分叉动脉瘤数据集上训练并验证了该模型。

实验结果

研究问题

• RQ1 机器学习模型能否准确预测宽颈分叉动脉瘤经血管内治疗后完全闭塞与部分闭塞的结局？
• RQ2 在血管造影图像中，动脉瘤囊的自动化2D和3D分割与人工勾画的匹配程度如何？
• RQ3 临床和影像学特征的何种组合能实现治疗结局预测的最佳性能？
• RQ4 与标准临床因素相比，新型影像学测量指标在多大程度上能提升结局预测能力？
• RQ5 基于深度学习的分割能否减少影像特征提取中的观察者间差异和工作量？

主要发现

• 该机器学习模型在预测完全闭塞与部分闭塞结局方面，分类准确率达到75.31%。
• 模型表现出0.74的加权F1得分，表明在各类别间具有良好的精确率与召回率平衡。
• 3D分割模型与人工分割的Dice重叠率达83%，证实了其高解剖学保真度。
• 2D分割模型与人工轮廓的Dice重叠率达90%，表明在2D平面分析中表现优异。
• 将临床因素与新型影像学特征结合，显著提升了预测能力，优于仅使用临床因素的情况。
• 结果表明，通过深度学习实现的自动化影像特征提取可支持动脉瘤治疗规划中的临床决策。