4. DiscussionThis is the first stud

4. Discussion
This is the first study to highlight the potential utility of imaging-based machine learning for predicting outcomes from stroke treatment. Not only have we shown that one such technique can offer automation — in place of error-prone radiology judgements (Wardlaw and Mielke, 2005), but also our results suggest that predictive performance may be enhanced over standard methods. Importantly, since our automated SVM was successful at SICH prediction using whole-brain as the input, rather than ad hoc feature combinations, and by assessing performance with cross-validation, our results are unlikely to have arisen by chance, or by data overfitting, despite a relatively small sample size. Furthermore, whilst the absolute improvement in AUC classificatory performance conferred by the ‘automated’ SVM was only ~ 2% greater than a conventional score-based system optimized for this dataset (and so not strictly cross-validated), the SVM was 10% better than the best prognostic system in its original, validated formulation; and moreover recognised twice as many SICHs when constrained to label only 10% of test items as hits, than any of the other methods. The probability of selecting, at random, 1 SICH out of 9 foils, in 9 out of 16 different tests, as the automated SVM achieved, is (from the binomial expansion) 5 × 10− 6.

A recent meta-analysis of SICH risk factors reported that at least 12 variables increase SICH likelihood, but their effect sizes are modest, emerging only from cohorts of thousands, and cannot in isolation identify patients at risk (Whiteley et al., 2012). This may explain why univariate analyses from our own relatively small dataset showed that only clinical severity and early ischemic CT changes were significant predictors of SICH. Prognostic systems – that integrate a range of risk factors into a single risk score – offer a practical way of stratifying risk. However, these have been shown in large validation cohorts to be far from optimal (Mazya et al., 2013), and achieved AUC values of only 63% in our cohort (using either), which might be because such methods assume linearity and independence between predictors. Machine learning by comparison does not make these assumptions, and may be the most suitable method when a very large number of factors (including imaging features) determine dichotomous outcomes, but where the mapping relationship is unknown or complex (Orrù et al., 2012).

One recent report showed that machine learning techniques can help with SICH prediction, but used radiologist interpretations (along with clinical variables), rather than images themselves (Dharmasaroja and Dharmasaroja, 2012). Replicating a similar technique with our dataset (‘manual’ SVM) did not improve predictive performance over existing prognostic scores. By contrast, the automated SVM that utilizes raw CT images, and clinical variables, was superior to the ‘manual’ SVM, and to standard prognostic scores (even after adapting these to include only significant predictors of our cohort). Similar to studies applying SVMs to MRI imaging in Alzheimer's disease (Klöppel et al., 2008), our results demonstrate that SVM techniques allow for effective classification where the number of features is far greater (here, ~ 180,000) than the number of training datapoints, unlike standard multivariate regression techniques.

Since the most successful imaging SVM we tested took whole-brain, rather than selected subparts, as its inputs, it seems likely that diffuse features, e.g. texture, morphometry, or low spatial-frequency changes, underlie the predictive effect we observe, rather than more focal features e.g. dense middle cerebral artery. This is supported by our finding that the SVM model was able to predict 3 out of 4 SICHs occurring remotely from the infarcted territory, as opposed to none predicted by conventional methods — implying that background brain features may be just as important as focal CT markers of acute ischemia. Certain background CT appearances, relating to small-vessel ischemia, old strokes and atrophy (Gebel et al., 1998, Neumann-Haefelin et al., 2006 and Pantoni et al., 2014) are recognised predictors of SICH; as are several conditions that predispose to these radiological features, e.g. age, diabetes, renal failure (Whiteley et al., 2012). Although the risk sizes associated with each of these factors are modest, and whilst we did not find an association between SICH and hemispheric white matter lesion load, it is possible that crude, human estimates of overall white-matter load (Wahlund et al., 2001), are less relevant to haemorrhage risk than spatial patterns of hypoattenuation across the whole brain, that the SVM model takes as inputs. The SVM model may also appreciate patterns of cerebral atrophy related to amyloid angiopathy (Erten-Lyons et al., 2013) — itself a predisposing factor for intracerebral haemorrhage.

Kết quả (Việt) 1:

4. thảo luậnĐây là nghiên cứu đầu tiên để làm nổi bật các tiện ích tiềm năng của hình ảnh dựa trên máy tính học tập cho các kết quả predicting từ điều trị đột quỵ. Không chỉ có chúng tôi hiển thị một trong những kỹ thuật như vậy có thể cung cấp tự động hóa-thay thế cho x-quang dễ bị lỗi phán đoán (Wardlaw và Mielke, 2005), nhưng cũng là kết quả của chúng tôi đề nghị rằng tiên đoán hiệu suất có thể được nâng cao hơn phương pháp tiêu chuẩn. Quan trọng, kể từ khi chúng tôi tự động SVM đã thành công tại SICH dự báo bằng cách sử dụng toàn bộ não như đầu vào, chứ không phải đặc biệt tính năng kết hợp, và bằng cách đánh giá hiệu suất với cross-kiểm tra, các kết quả có khả năng phát sinh bởi cơ hội, hoặc bởi các dữ liệu overfitting, mặc dù kích thước mẫu tương đối nhỏ. Hơn nữa, trong khi cải thiện tuyệt đối trong hiệu suất classificatory AUC trao bởi SVM 'tự động' đã chỉ ~ 2% lớn hơn một quy ước được điểm dựa trên hệ thống tối ưu hóa cho số liệu này (và do đó không nghiêm chỉnh qua xác nhận), SVM là 10% tốt hơn so với hệ thống prognostic tốt nhất trong công thức ban đầu, xác nhận; và hơn nữa được công nhận hai lần như nhiều SICHs khi bị ràng buộc để nhãn chỉ có 10% của thử nghiệm mục như số truy cập, hơn bất kỳ phương pháp khác. Xác suất của việc lựa chọn, ngẫu nhiên, 1 SICH khỏi 9 lá, tại 9 trong số 16 các xét nghiệm khác nhau, như tự động SVM đạt được, cách (mở rộng nhị thức) 5 × 10− 6.Một meta-phân tích gần đây của yếu tố nguy cơ SICH thông báo rằng ít nhất 12 biến tăng SICH khả năng, nhưng kích thước hiệu quả của họ là khiêm tốn, chỉ từ cohorts của hàng ngàn, và trong sự cô lập không thể xác định bệnh nhân nguy (Whiteley và ctv., 2012). Điều này có thể giải thích tại sao véc phân tích từ số liệu tương đối nhỏ của riêng của chúng tôi cho thấy rằng chỉ có mức độ nghiêm trọng lâm sàng và sớm thiếu máu cục bộ CT thay đổi đáng kể dự đoán của SICH. Hệ thống Prognostic – tích hợp một loạt các yếu tố nguy cơ vào một điểm duy nhất nguy cơ-cung cấp một cách thực tế nguy cơ stratifying. Tuy nhiên, những đã hiển thị trong cohorts lớn xác nhận được xa tối ưu (Mazya et al., 2013), và đã đạt được giá trị AUC của chỉ 63% trong quân đội của chúng tôi (bằng cách sử dụng một trong hai), mà có thể là bởi vì các phương pháp như vậy giả sử linearity là độc lập giữa dự đoán. Máy học bằng cách so sánh không làm cho các giả định, và có thể là phương pháp phù hợp nhất khi một số rất lớn (bao gồm cả hình ảnh tính năng) các yếu tố xác định dichotomous kết quả, nhưng mà lập bản đồ mối quan hệ chưa biết hoặc phức tạp (Orrù và ctv., năm 2012).Một báo cáo gần đây cho thấy, Máy học tập kỹ thuật có thể giúp với SICH dự đoán, nhưng được sử dụng trong việc giải thích radiologist (cùng với lâm sàng biến), chứ không phải là hình ảnh bản thân (Dharmasaroja và Dharmasaroja, 2012). Cách sao chép một kỹ thuật tương tự với bộ dữ liệu của chúng tôi ('hướng dẫn sử dụng' SVM) đã không cải thiện tiên đoán hiệu suất hơn sẵn có prognostic điểm. Ngược lại, SVM tự động mà sử dụng nguyên CT hình ảnh và biến lâm sàng, được cấp trên để SVM 'hướng dẫn sử dụng', và tiêu chuẩn prognostic điểm (ngay cả sau khi thích ứng này để bao gồm các dự đoán chỉ quan trọng của quân đội của chúng tôi). Tương tự như nghiên cứu áp dụng các SVMs để MRI chẩn đoán hình ảnh trong bệnh Alzheimer (Klöppel et al., 2008), kết quả của chúng tôi chứng minh rằng kỹ thuật SVM cho phép phân loại hiệu quả mà số lượng các tính năng là xa hơn (ở đây, ~ 180.000) so với số lượng đào tạo datapoints, không giống như hồi quy đa biến tiêu chuẩn kỹ thuật.Kể từ khi hình ảnh SVM thành công nhất chúng tôi thử nghiệm đã toàn bộ-não, chứ không phải là subparts đã chọn, như là đầu vào của nó, có vẻ như có khả năng rằng tính năng khuếch tán, ví dụ như kết cấu, morphometry, hoặc thay đổi tần số không gian thấp, làm cơ sở cho hiệu lực tiên đoán chúng tôi quan sát, chứ không phải là nhiều tính năng tiêu cự, ví dụ như dày đặc giữa động mạch não. Điều này được hỗ trợ bởi chúng tôi tìm kiếm mô hình SVM đã có thể dự đoán 3 trong số 4 SICHs xảy ra điều khiển từ xa từ lãnh thổ infarcted, như trái ngược với không có dự đoán bằng phương pháp thông thường-ngụ ý rằng tính năng nền não có thể quan trọng như tiêu cự CT dấu hiệu của viêm ischemia. Một số nền CT xuất hiện, liên quan đến tàu nhỏ ischemia, nét cũ và teo (Gebel và ctv, 1998, Neumann-Haefelin et al., năm 2006 và Pantoni et al., 2014) là công nhận dự đoán của SICH; như là một số điều kiện predispose để các tính năng chụp x-quang, ví dụ như tuổi tác, bệnh tiểu đường, suy thận (Whiteley và ctv., năm 2012). Mặc dù kích thước rủi ro gắn liền với mỗi người trong số những yếu tố này là khiêm tốn, và trong khi chúng tôi không tìm thấy một liên kết giữa SICH và chất trắng hemispheric tổn thương tải, có thể ước tính thô, con người của tổng thể chất trắng tải (Wahlund và ctv., 2001), có ít liên quan đến haemorrhage rủi ro hơn không gian mẫu hypoattenuation qua toàn bộ não, mô hình SVM diễn như là yếu tố đầu vào. SVM mẫu cũng có thể đánh giá cao mô hình của Teo não liên quan đến amyloid angiopathy (Erten-Lyons và ctv., 2013)-bản thân một predisposing yếu tố cho intracerebral xuất huyết.

Kết quả (Việt) 2:

4. Thảo luận
Đây là nghiên cứu đầu tiên để làm nổi bật các tiện ích tiềm năng của hình ảnh dựa trên máy học để dự đoán kết quả của việc điều trị đột quỵ. Không chỉ có chúng tôi chỉ ra rằng một kỹ thuật nào đó có thể cung cấp tự động hóa - ở vị trí của bản án X quang dễ bị lỗi (Wardlaw và Mielke, 2005), nhưng cũng có kết quả của chúng tôi cho thấy rằng hiệu suất tiên đoán có thể được tăng cường hơn các phương pháp tiêu chuẩn. Quan trọng hơn, vì SVM tự động của chúng tôi đã thành công tại Sich dự đoán sử dụng toàn bộ não như đầu vào, chứ không phải là quảng cáo hoc kết hợp tính năng, và bằng cách đánh giá hiệu suất với cross-validation, kết quả của chúng tôi không có khả năng phát sinh do cơ hội, hoặc bằng overfitting dữ liệu, mặc dù một cỡ mẫu tương đối nhỏ. Hơn nữa, trong khi cải thiện tuyệt đối trong hoạt động phân loại AUC của Quý 'tự động' SVM là lớn hơn so với một hệ thống điểm số dựa trên thông thường được tối ưu hóa cho bộ dữ liệu này (và do đó không đúng cross-xác nhận), các SVM là tốt hơn 10% chỉ ~ 2% hơn so với hệ thống tiên lượng tốt nhất trong bản gốc, xây dựng xác nhận của nó; và hơn nữa công nhận hai lần như nhiều SICHs khi buộc dán nhãn chỉ có 10% các hạng mục kiểm tra khi truy cập, hơn bất kỳ các phương pháp khác. Xác suất của việc lựa chọn, một cách ngẫu nhiên, 1 sich trong số 9 lá, 9 trong số 16 thử nghiệm khác nhau, như SVM tự động đạt được, là (từ việc mở rộng nhị thức) 5 × 10 6.

Một gần đây phân tích rủi ro Sich yếu tố cho biết ít nhất 12 biến tăng Sich khả năng, nhưng kích thước hiệu ứng của họ là khiêm tốn, mới nổi chỉ từ đội quân của hàng ngàn, và không thể tách rời xác định bệnh nhân có nguy cơ (Whiteley et al., 2012). Điều này có thể giải thích tại sao các phân tích đơn biến từ riêng bộ dữ liệu tương đối nhỏ của chúng tôi cho thấy rằng chỉ có mức độ lâm sàng và đầu thay đổi CT thiếu máu cục bộ là yếu tố dự báo quan trọng của Sich. Hệ thống tiên lượng - đó là tích hợp một loạt các yếu tố nguy cơ thành một điểm số nguy cơ duy nhất - cung cấp một cách thực tế của phân tầng nguy cơ. Tuy nhiên, những điều này đã được chứng minh trong các nhóm xác nhận lớn là xa tối ưu (Mazya et al., 2013), và đạt được giá trị AUC của chỉ có 63% trong nhóm của chúng tôi (bằng cách sử dụng), mà có thể là bởi vì phương pháp này giả định tuyến tính và độc lập giữa dự đoán. Máy học tập bằng cách so sánh không làm cho các giả định, và có thể là phương pháp thích hợp nhất khi một số lượng rất lớn các yếu tố (bao gồm các tính năng chụp ảnh) xác định kết cục nhị, nhưng nơi mà các mối quan hệ lập bản đồ là không biết hoặc phức tạp (Orrù et al., 2012) .

Một báo cáo gần đây cho thấy rằng kỹ thuật máy học có thể giúp dự đoán Sich, nhưng sử dụng cách diễn giải quang tuyến (cùng với các biến lâm sàng), chứ không phải là hình ảnh bản thân (Dharmasaroja và Dharmasaroja, 2012). Sao chép một kỹ thuật tương tự với bộ dữ liệu của chúng tôi ( 'nhãn' SVM) đã không cải thiện hiệu năng tiên đoán qua điểm tiên lượng hiện có. Ngược lại, SVM tự động mà sử dụng hình ảnh CT liệu, và các biến lâm sàng, là cấp trên để 'nhãn hiệu' SVM, và điểm tiên lượng tiêu chuẩn (ngay cả sau khi thích nghi với những bao gồm yếu tố dự báo chỉ có ý nghĩa trong nhóm của chúng tôi). Tương tự như các nghiên cứu áp dụng SVMs để chụp MRI ở bệnh Alzheimer (Klöppel et al., 2008), kết quả của chúng tôi chứng minh rằng kỹ thuật SVM cho phép phân loại hiệu quả mà số lượng các tính năng còn lớn (ở đây, ~ 180.000) so với số lượng Datapoints đào tạo , không giống như các kỹ thuật hồi quy đa biến tiêu chuẩn.

vì SVM hình ảnh thành công nhất mà chúng tôi đã thử nghiệm mất toàn bộ não, chứ không phải là subparts chọn, như là đầu vào của nó, nó dường như có khả năng rằng các đặc tính lan tỏa, ví dụ như kết cấu, morphometry, hoặc thay đổi không gian-tần số thấp, làm cơ sở cho các hiệu lực dự đoán mà chúng quan sát, chứ không phải là nhiều tính năng tiêu cự, ví dụ như động mạch giữa não dày đặc. Điều này được hỗ trợ bởi việc tìm kiếm của chúng tôi rằng mô hình SVM đã có thể dự đoán 3 trong 4 SICHs xảy ra từ xa từ các lãnh thổ infarcted, như trái ngược với không dự đoán bằng các phương pháp thông thường - ngụ ý rằng tính năng não nền có thể cũng quan trọng như các dấu hiệu CT đầu mối của thiếu máu cấp tính. Một số xuất hiện nền CT, liên quan đến thiếu máu cục bộ có tàu nhỏ, nét cũ và teo (Gebel et al, 1998, Neumann-Haefelin et al, 2006 và Pantoni et al, 2014...) Được công nhận dự đoán của Sich; như một số điều kiện dẫn đến các các tính năng phóng xạ, ví dụ như tuổi tác, bệnh tiểu đường, suy thận (Whiteley et al., 2012). Mặc dù kích thước nguy cơ liên quan với nhau của các yếu tố này là khiêm tốn, và trong khi chúng tôi không tìm thấy mối liên quan giữa sich và bán cầu màu trắng tải vấn đề tổn thương, có thể là dầu thô, ước tính con người của tải màu trắng-vấn đề tổng thể (Wahlund et al., năm 2001), là ít liên quan đến chảy máu nguy cơ hơn mô hình không gian của hypoattenuation trên toàn bộ não, mà các mô hình SVM mất như đầu vào. Các mô hình SVM cũng có thể đánh giá cao mô hình của teo não liên quan đến amyloid angiopathy (Erten-Lyons et al, 2013). - Tự nó là một yếu tố nguyên nhân nền cho xuất huyết não.