arXiv cs.AI· Sina Raeisadigh, Henning M\"uller, Abderrahmane Hedjoudje·· 11 小时前AI 评分24
可解释的多模态 MRI-临床融合用于急性缺血性卒中后功能结局预测
Interpretable Multimodal MRI-Clinical Fusion for Functional Outcome Prediction After Acute Ischemic Stroke
AI 导读
一项基于 66 例急性缺血性卒中患者的研究显示，第 1 天 MRI 与临床数据融合可提升三个月功能结局预测，其中 FLAIR-临床融合的交叉验证 AUC 最高，达 0.948 ± 0.061，ADC-临床融合为 0.941 ± 0.094。
正文 · AI 翻译
摘要：本研究评估了第 1 天多模态 MRI 对预测急性缺血性卒中（AIS）后三个月功能结局的附加预后价值。分析了 66 例具有 ADC、DWI、FLAIR 和临床数据的 AIS 患者。从每种 MRI 模态中提取三维预训练 ResNet 嵌入，使用折隔离主成分分析进行降维，并与结构化临床变量和 ADC 衍生病灶生物标志物相结合。使用八折分层分组交叉验证在 MRI 模态组合上评估线性支持向量机。仅临床建模取得了较强性能（AUC = $0.899 \pm 0.151$），而仅 MRI 模型显示出有限的区分能力（AUC $\approx$ $0.67$-$0.73$）。在多模态配置中，FLAIR-临床融合取得了最高的平均交叉验证性能（AUC = $0.948 \pm 0.061$），其次是 ADC-临床融合（AUC = $0.941 \pm 0.094$）。完整的 ADC-DWI-FLAIR 融合并未持续优于单模态临床融合。特征重要性分析确定年龄、NIHSS 子评分、ADC 病灶负荷和学习到的 FLAIR 表示为关键贡献因素，而定性 FLAIR 激活图显示在类病灶区域上有响应。这些发现表明，紧凑的第 1 天 FLAIR 和 ADC 表示提供了超越临床变量的补充预后信息，并支持 AIS 中可解释、数据高效的结果预测。
| 评论： | 5 页，2 幅图，1 张表 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；图像与视频处理（eess.IV） |
| 引用为： | arXiv:2611.08154 [cs.LG] |
| （或 arXiv:2611.08154v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.08154 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Sina Raeisadigh [查看电子邮件]
[v1]
2026 年 11 月 5 日星期四 15:14:58 UTC（328 KB）
来源：arXiv cs.AI · arxiv.org