使用分形维数通过机器学习预测颅内动脉瘤破裂风险
机器学习
2024-10-02 v1
摘要
破裂的颅内动脉瘤(IA)会导致显著的发病率和死亡率。虽然诸如PHASES评分等传统风险模型在临床决策中很有用，但机器学习(ML)模型有可能提供更高的准确性。在本研究中，我们比较了四种不同机器学习算法——随机森林(RF)、XGBoost (XGB)、支持向量机(SVM)和多层感知器(MLP)——在临床和放射学特征上预测颅内动脉瘤破裂状态的表现。在这些模型中，RF达到了最高的准确率(85%)，且精确率和召回率均衡，而MLP的整体性能最低（准确率为63%）。分形维数被列为所有模型中影响模型性能的最重要特征。
引用
@article{arxiv.2410.00121,
title = {Using fractal dimension to predict the risk of intra cranial aneurysm rupture with machine learning},
author = {Pradyumna Elavarthi and Anca Ralescu and Mark D. Johnson and Charles J. Prestigiacomo},
journal= {arXiv preprint arXiv:2410.00121},
year = {2024}
}