Predicción del resultado tisular y evaluación del efecto del tratamiento en accidente cerebrovascular isquémico agudo utilizando aprendizaje profundo

Antecedentes y objetivo— Las opciones de tratamiento para pacientes con accidente cerebrovascular isquémico agudo dependen del volumen de tejido recuperable. Esta evaluación del volumen se basa actualmente en umbrales fijos y modalidades de imagen únicas, lo que limita la precisión. Deseamos desarrollar y validar un modelo predictivo capaz de identificar y combinar automáticamente características de imagen aguda para predecir con precisión el volumen final de la lesión. Métodos— Utilizando imágenes por resonancia magnética aguda, desarrollamos y entrenamos una red neuronal convolucional profunda (CNN profunda) para predecir el resultado final de la imagen. Un total de 222 pacientes fueron incluidos, de los cuales 187 fueron tratados con rtPA (activador de plasminógeno tisular recombinante). El rendimiento de CNN profunda se comparó con una CNN superficial basada en el biomarcador de imagen ponderada por perfusión Tmax (CNN Tmax), una CNN superficial basada en una combinación de 9 biomarcadores diferentes (CNN superficial), un modelo lineal generalizado y umbralización del biomarcador de imagen ponderada por difusión coeficiente de difusión aparente (ADC) a 600×10 −6 mm 2 /s (ADC thres). Para evaluar si CNN profunda es capaz de diferenciar resultados de ±rtPA intravenosa, se incluyeron pacientes que no recibieron rtPA intravenosa para entrenar CNN profunda, −rtpa para acceder a un efecto del tratamiento. Se evaluaron los rendimientos de las redes utilizando inspección visual, área bajo la curva de característica operativa del receptor (AUC) y contraste. Resultados— CNN profunda ofrece un rendimiento significativamente mejor en la predicción del resultado final (AUC=0.88±0.12) que el modelo lineal generalizado (AUC=0.78±0.12; P =0.005), CNN Tmax (AUC=0.72±0.14; P <0.003) y ADC thres (AUC=0.66±0.13; P <0.0001) y un rendimiento sustancialmente mejor que CNN superficial (AUC=0.85±0.11; P =0.063). Medido por contraste, CNN profunda mejora significativamente las predicciones, mostrando superioridad sobre todos los demás métodos (P ≤0.003). CNN profunda también parece ser capaz de diferenciar resultados basados en la estrategia de tratamiento, siendo el volumen del infarto final significativamente diferente (P =0.048). Conclusiones— La considerable mejora en la precisión predictiva sobre el estado actual del arte aumenta el potencial de soporte de decisión automatizado para proporcionar recomendaciones para planes de tratamiento personalizados.