Machine Learning-Based Etiological Differentiation of Stroke Using Thrombi

Abstract

Accurate identification of stroke etiology is crucial for effective secondary prevention. This study explores the use of machine learning models for etiologic determination by analyzing thrombi obtained through endovascular thrombectomy (EVT). Thrombi composition was investigated using immunohistochemistry staining for platelets, fibrinogen, and red blood cells (RBCs). Two main applications were investigated: 1) distinguishing between large artery atherosclerosis (LAA) and atrial fibrillation (AF)-related strokes, and 2) detecting underlying cancer. A nationwide multi-center registry (SMART-Clot) provided data on patients who underwent EVT due to large-vessel occlusion. Machine learning models were trained and validated on thrombi images with immunohistochemistry staining. For the LAA vs. AF model, patients who had LAA without any other etiologies were included in the LAA group and patients who had AF without any other etiologies were included in the AF group. Models were trained to classify images from each group and validated on a time-separated dataset. Area under the receiver operating characteristic curve (AUC) values ranged from 0.759 to 0.835 on validation, suggesting the models' ability to differentiate between LAA and AF etiologies. The models could accurately predict underlying paroxysmal AF in patients who had been deemed as cryptogenic etiology during admission but had AF diagnosed during prolonged electrocardiography monitoring at follow-up. In the cancer detection model, patients who had active cancer were included in the cancer group and patients who had no history of cancer but had determined etiology were included in the determined etiology group. Models were trained to classify images from each group using the internal dataset from one center and validated on external dataset from five centers. Machine learning models achieved AUC values of 0.954 (internal validation) and 0.949 (external validation) using platelet staining. The platelet model could accurately detect underlying cancer in three patients who had been excluded from the study for not having cancer upon admission but had been detected of cancer within one month during follow-up. Overall, machine learning models demonstrated potential in identifying stroke etiology through analysis of thrombi. These models offer a novel approach to determine etiology in cryptogenic stroke patients, potentially improving clinical decision-making. 뇌경색의 정확한 원인을 파악하는 것은 뇌경색 이차 예방에 가장 중요한 단계이다. 이 연구는 기계 학습 기법을 활용하여 동맥내혈전제거술을 통해 얻어진 혈전을 분석하여 뇌경색의 원인을 밝혀내는 것을 목표로 한다. 혈전의 구성성분 분석을 위해 혈소판, 피브리노겐, 적혈구 각각을 대상으로 한 면역형광염색기법을 활용하였다. 두가지의 구분 목표를 갖고 원인 감별 모델을 개발하였다. 첫번째는 동맥경화성 뇌경색과 심방세동으로 인한 뇌경색을 구분하는 모델의 개발을 연구하였으며 두번째는 암을 원인으로 한 뇌경색을 구분하는 모델의 개발을 연구하였다. 국내 다기관 레지스트리를 활용하여 연구가 진행되었으며 이 레지스트리는 대동맥경색으로 인해 동맥내혈전제거술을 받은 환자들을 등록하였다. 기계 학습 모델들은 면역형광염색이 된 혈전 영상을 이용하여 학습하였다. 동맥경화성 뇌경색과 심방세동으로 인한 뇌경색을 구분하는 모델을 위하여 동맥경화성 뇌경색 군에는 동맥경화만을 뇌경색의 원인으로 갖는 환자들을 포함하였으며 심방세동 뇌경색 군에는 심방세동만을 뇌경색의 원인으로 갖는 환자들을 포함하였다. 기계 학습 모델은 혈전 이미지를 이용하여 두 군의 이미지를 구분하는 것을 목표로 학습되었다. 시간으로 분리된 데이터셋을 이용하여 모델의 개발 및 검증을 진행하였다. 개발된 모델의 검증시에 수신기 작동 특성 곡선 아래 영역(area under the receiver operating characteristic curve, AUC)이 0.759 에서 0.835를 보여 동맥경화성 뇌경색과 심방세동으로 인한 뇌경색을 구분할 수 있다는 것을 알 수 있었다. 또한 입원 중 심방세동이 발견되지 않았으나 외래에서 추가 검사를 통해 확인된 환자에서 적용하였을 때 성공적인 결과를 보였다. 암을 검출해내는 모델의 경우에는 암을 원인으로 한 뇌경색 환자 군과 이외의 다른 밝혀진 원인을 갖고 있는 환자군을 구성하였으며 이 두 군 간의 이미지를 구분하는 모델을 학습시켰다. 한 개의 기관의 환자군을 활용하여 모델을 학습시켰으며 외부 다섯 기관의 환자에서 외부검증을 진행하였다. 혈소판 염색을 활용한 모델의 경우 내부검증에서 AUC가 0.954을 보였으며 외부 검증에서 AUC 0.949를 보였다. 입원시에 암을 진단받지 않은 상태였으나 뇌경색 발생 1개월 안에 암이 발견된 환자에서 적용하였을 때 모든 환자에서 암이 있음을 성공적으로 밝혀냈다. 이 연구는 뇌경색 혈전을 기계 학습 기법으로 분석하여 뇌경색의 원인을 밝혀내는 방법에 대한 가능성을 제시하였다. 원인을 명확히 알 수 없는 뇌경색 환자에서 원인을 규명할 수 있는 새로운 방법론을 제시하였으며 이를 통하여 잠재적으로 임상적 의사결정을 도울 수 있을 것으로 기대된다.