张红珍,杨少玲,赫兰,林文华,顾家红,赵坤,胡静,彭媛媛

    (1.安徽理工大学附属奉贤医院超声科,上海 201499;2.上海市第八人民医院超声科,上海 200235)

    缺血性脑卒中是脑卒中高危人群致残与致死的主要原因,其发病率逐年升高[1]。约30%的缺血性脑卒中是由颈动脉粥样硬化易损斑块破裂,微小栓子引起颅内动脉栓塞所致[2]。颈动脉超声检查是早期筛查易损斑块的首选方法[3-4]。然而目前我国超声医师紧缺、易损斑块识别技术水平要求较高[5],阻碍了颈动脉超声检查在脑卒中高危人群筛查中的广泛应用。

    随着人工智能技术逐步应用于医学领域,机器学习模型大大提高了解决部分医疗问题的效率[6-7]。利用机器学习模型有望预测颈动脉粥样硬化斑块(carotid atherosclerosis,CAS)患者发生缺血性脑卒中的风险。logistics分类(LR)、高斯朴素贝叶斯分类(GNB)、补充朴素贝叶斯分类(CNB)、支持向量机(SVM)和k近邻分类(KNN)是经典的机器学习模型,目前已部分应用于疾病的预测及数据分析中[8-9]。在预测CAS患者发生缺血性脑卒中的风险方面应用较少。本研究旨在比较LR、GNB、CNB、SVM和KNN五种不同的机器学习模型预测CAS患者发生缺血性脑卒中的效能。

    1 资料与方法

    1.1 研究对象2021年3月1日—11月30日在上海市第八人民医院神经内科住院的CAS患者101例。纳入标准:(1)年龄≥35岁;(2)经颈动脉彩色多普勒超声检查诊断为颈动脉粥样硬化的住院患者;(3)未接受颈部血管手术治疗者;(4)无严重脑血管疾病史。排除标准:(1)年龄1.0 mm,诊断为增厚;IMT≥1.5 mm,局限性增厚或内中膜增厚大于周边IMT的50%,并凸向血管腔内,则定义为斑块[10-12]。(2)缺血性脑卒中诊断标准。缺血导致的持续24 h以上的症状性神经功能恶化,或新发症状性神经功能恶化并伴有新发脑梗死的神经影像学证据[13]。 ......