无创评估脑卒中损害的AI技术准确率达到92% 美国USC王炯炯设计团队在Stroke发表文章

近日，美国北卡罗来纳州大学（USC）Mark and Mary Stevens 神经幻灯片与信息学分析所（INI）的分析人员正在分析一种替代新方法，该新方法使临床精神科并不能够向病变注射造影剂才会指标脑馀中所损害。该开发团队于2019年12月在《Stroke》时代周刊上的刊发了并作《Deep Learning Detection of Penumbral Tissue on Arterial Spin Labeling in Stroke》的文章。这序言的无线电笔记是INI神经学系主任三王炯炯（Danny JJ Wang）；第一笔记是北卡罗来纳州大学生物医学电气工程在读教授生林志颖。据了解，急性心肌梗死脑馀中所 (acute ischemic stroke) 是脑馀中所的最常见的特性。当病变发病时，血凝块促使了脑干中所的血管壁血流，临床外科能够迅速采取行动，给予有效的治疗。通常，精神科能够进行时脑组织图像以确认由馀中所导致的脑干损伤区域，新方法是应用领域于磁共振成像（MRI）或计算机断层图像（CT）。但是这些图像新方法能够应用领域于化学造影剂，有些还含有较高剂量的X-射线热辐射，而另一些则可能对有肾脏或血管疟疾的病变造成危害。在这项分析中所，三王炯炯系主任开发团队框架并检验了一种人工智能（AI）方法，该方法可以从一种更安全及的脑干图像特性（伪连续血管壁自旋标记磁共振成像，pCASL MRI）中所相应提取有关馀中所损害的统计数据。据了解，这是首次应用领域深达自学方法和无造影剂灌注MRI来识别因馀中所而损害的神经的跨模拟器、跨部门的系统对性分析。该建模是一种很有前景的新方法，可以帮助精神科制定馀中所的临床治疗解决方案，并且是完全无创的。在指标馀中所病变损害神经的检验中所，该pCASL 深达自学建模在两个实质上的统计数据集上均实现了92％的准确度。三王炯炯系主任开发团队，包括在读教授教授生林志颖、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim教授，与密西根大学（UCLA） 和斯坦福大学（Stanford）的科学家合作进行时了这项分析。为了训练这一建模，分析人员应用领域于167个图像集，野外于密西根大学的1.5Tesla和3.0TeslaAEG（Siemens）MRI 系统对，受试者为137例缺血型馀中所病症。经过训练的建模在12个图像集上进行时了实质上的检验，该图像集野外于斯坦福大学的1.5Tesla和3.0Tesla通用电气（GE） MRI系统对。据了解，这项分析的一个清高着卖点是，其建模被证明是在有所不同成像模拟器、有所不同医院、有所不同病症社会群体的情况下仍然是有效的。每一次，三王炯炯系主任开发团队计划进行时一项更大规模的分析，以在更多诊所中所指标该方法，并将急性心肌梗死馀中所的治疗窗口扩展到病症发作后24小时以上。ROC 和 Precision-recall curve （PRC）清高示深达自学（DL）比六种机器自学（ML）的新方法更准确。