基于深度对比学习融合扩散加权 MRI 与临床数据预测急性缺血性卒中后的功能结局
计算机视觉与模式识别
2024-02-19 v1 机器学习
摘要
卒中是一种常见的致残性神经系统疾病，影响约四分之一 25 岁以上的成年人口；超过一半的患者在急性卒中发作后仍有不良结局，如永久性功能依赖甚至死亡。本研究旨在探讨结合结构化健康档案的扩散加权 MRI 模态在预测功能结局以促进早期干预方面的有效性。提出了一种具有两阶段训练的深度融合学习网络：第一阶段专注于跨模态表示学习，第二阶段专注于分类。利用监督对比学习从单个模态的嵌入和融合的多模态嵌入中学习判别性特征，以区分两类患者。该网络以 DWI 和 ADC 图像以及结构化健康档案数据作为输入。输出结果是预测患者在卒中发作后 3 个月是否需要长期护理。在包含 3297 名患者的数据集上训练和评估，我们提出的融合模型在 AUC、F1 分数和准确率方面分别达到 0.87、0.80 和 80.45%，优于医学领域中整合成像和结构化数据的现有模型。如果使用包括 NIHSS 和合并症在内的全面临床变量进行训练，图像对准确预测的增益虽不巨大但显著。然而，扩散加权 MRI 可替代 NIHSS，与其他易于获得的临床变量结合，达到相当的准确率水平，从而实现更好的泛化能力。
引用
@article{arxiv.2402.10894,
title = {Fusion of Diffusion Weighted MRI and Clinical Data for Predicting Functional Outcome after Acute Ischemic Stroke with Deep Contrastive Learning},
author = {Chia-Ling Tsai and Hui-Yun Su and Shen-Feng Sung and Wei-Yang Lin and Ying-Ying Su and Tzu-Hsien Yang and Man-Lin Mai},
journal= {arXiv preprint arXiv:2402.10894},
year = {2024}
}
备注
12 pages, 5 figures, 5 tables