XiaoMi-AI文件搜索系统
World File Search System动静
运动缺陷皮质脊髓束预测术后动静脉畸形及脑辅助评估的空间关系
材料与方法：回顾性分析83例行显微手术切除涉及运动相关区域的脑动静脉畸形患者，利用TOF-MRA和DTI的人工智能技术计算4项人工智能指标，包括FN 5mm/50mm（距病灶边界5～50mm范围内的纤维数目比例）、FN 10mm/50mm（距病灶边界5～50mm范围内的纤维数目比例）、FP 5mm/50mm（距病灶边界5～50mm范围内的纤维体素点比例）、FP 10mm/50mm（距病灶边界5～50mm范围内的纤维体素点比例），采用单因素及多因素分析各指标与术后远期运动功能障碍的关系。使用最小绝对值收缩和选择算子回归与皮尔逊相关系数来选择最佳特征，以开发机器学习模型来预测术后运动缺陷。计算曲线下面积以评估预测性能。
机器学习预测儿童脑动静脉畸形患者出血
目的：儿童脑动静脉畸形 (bAVM) 破裂与大量发病率和死亡率相关。先前研究儿童期 bAVM 出血表现的预测因素的研究有限。机器学习 (ML) 在应用于大型数据集时具有很高的预测准确性，可以成为预测出血表现的有用辅助手段。本研究的目的是将 ML 与传统回归方法结合，基于回顾性队列研究设计来识别儿科患者出血表现的预测因素。方法：作者使用 19 年研究期间从 186 名儿科患者获得的数据，实施了三种 ML 算法（随机森林模型、梯度提升决策树和 AdaBoost）来识别对预测出血表现最重要的特征。此外，使用逻辑回归分析来确定出血表现的显著预测因素作为比较。结果 三种 ML 模型一致认为 bAVM 大小和患者就诊年龄是预测出血表现的两个最重要因素。在多变量逻辑回归中，就诊年龄并不是出血表现的重要预测因素。梯度提升决策树/AdaBoost 和随机森林模型分别将 bAVM 位置和并发动脉瘤确定为第三重要因素。最后，逻辑回归将左侧 bAVM、小 bAVM 尺寸和并发动脉瘤的存在确定为出血表现的重要风险因素。结论 通过使用 ML 方法，作者发现了使用传统回归方法无法识别的出血表现预测因素。
边缘鼻窦区域的硬脑膜动静脉瘘的血管内治疗策略，技术和结果
结果 - 28例患者发现了29个FMR-AVF。治疗了24/29（82.8％），观察到5/29（17.2％）。治疗在21/24（87.5％）中是血管内血管内的，在2/24（8.3％）中合并（血管内+手术），而手术为1/24（4.2％）。血管内治疗为76.2％的电视，14.3％的TA和9.5％的电视/TA组合。足够的随访数据可为20/28（71.4％），平均随访为16.8个月。TA/TV，联合血管内/外科手术或手术组没有AVF复发，电视组中有一次复发（7.1％）。在所有组中都可以看到症状改善：TV（71.4％完整，28.6％的部分），TA（66.7％完成，33.3％无随访），TV+TA（100％部分），血管内/手术（100％完成）和手术（100％部分）。次要的非神秘并发症包括电视组中的1/14（7.1％），TA/TV组中的1/3（33.3％）包括1/3（33.3％）。
脑动静脉畸形的二维灌注血管造影：技术注意事项
数字减影血管造影 (DSA) 存在与灰度图像质量相关的局限性，需要逐张检查才能观察到时间差异。本文通过介绍灌注血管造影作为定量分析框架以及 DSA 灌注参数和延迟的可视化来解决这些局限性。它的实用性可以归因于其良好的时空分辨率，并且不易与其他采集技术（如磁共振成像和计算机断层扫描）兼容。3 二维组织灌注血管造影图像是通过集成到计算机中的软件获得的，该软件允许基于 DSA 的二维功能信息。它为干预者提供了一种工具，可以实时测量所执行治疗的影响并帮助确定完成治疗的正确时间。从这些观察中，本文的总体目标是描述可以从该研究中提取的灌注参数的实用性，并以彩色编码图像显示，神经科医生、神经外科医生和神经介入放射科医生可以轻松解释。
影响脑动静脉畸形破裂预测模型性能的因素
摘要背景：很多情况下，患者脑动静脉畸形（bAVM）的破裂率及血管内治疗或手术治疗（当不适合进行放射外科治疗时）的风险均不低，因此在治疗前更谨慎地评估破裂风险显得尤为重要。本文基于目前的高危预测因素及临床资料，采用不同的样本量、采样时间和算法构建bAVM出血风险预测模型，并研究模型的准确性和稳定性，旨在提醒研究者在开发类似的预测模型时可能存在一些陷阱。方法：收集353例bAVM患者的临床资料，在构建bAVM破裂预测模型时，改变训练集与测试集的比例，增加采样次数，通过逻辑回归（LR）算法和随机森林（RF）算法构建bAVM破裂预测模型。采用曲线下面积（AUC）评价模型的预测性能。结果：两种算法建立的预测模型性能都不理想（AUC：0.7或更低）。不同样本量的LR算法建立的模型的AUC优于RF算法（0.70 vs 0.68，p < 0.001）。两种不同样本量的预测模型的AUC标准差（SD）范围较宽（最大范围> 0.1）。结论：基于目前的风险预测因子，可能难以建立稳定准确的bAVM出血风险预测模型。与样本量和算法相比，有意义的预测因子对于建立准确稳定的预测模型更为重要。关键词：脑动静脉畸形，Logistic回归，随机森林，预测模型，AUC