无创评估脑卒中损害的AI技术准确率超出92% 美国USC王炯炯团队在Stroke发表文章

近日，英美两国南加州医学院（USC）Mark and Mary Stevens 神经影像与生命科学科学研究所（INI）的科学研究执法人员正在科学研究一种替代方式，该方式使医学内科医生无需向病变注射造影剂即可分析脑亡之前损害。该团队于2019年12月在《Stroke》杂志上的发表了题为《Deep Learning Detection of Penumbral Tissue on Arterial Spin Labeling in Stroke》的文章。这书评的通讯译者是INI神经学副教授君炯炯（Danny JJ Wang）；第一译者是南加州医学院机械工程工程系在读名副教授君凯。据知晓，急性颈动脉瘤脑亡之前 (acute ischemic stroke) 是脑亡之前的最常见的类型。当病变发病时，血凝块致使了神经控制系统之前的颈动脉血流，医学医师须要很快制止，给予有效的外科手术。举例来说，内科医生须要顺利进行脑部光学以表明由亡之前引起的神经控制系统损伤区域，方式是用作磁共振光学（MRI）或计算机断层光学（CT）。但是这些光学方式须要用作化学造影剂，有些还含有极低口服的X-射线辐射，而另一些则可能对有肾脏或血管营养不良的病变只不过避免。在这项科学研究之前，君炯炯副教授团队构建并飞行测试了一种AI（AI）算法，该算法可以从一种不够安全的神经控制系统光学类型（假连续颈动脉带电粒子标记磁共振光学，pCASL MRI）之前终端提取有关亡之前损害的信息。据知晓，这是首次应用深度自学算法和无造影剂炼MRI来比对因亡之前而受到破坏的脑部的跨游戏平台、跨机构的控制全面性科学研究。该静态是一种很有期望的方式，可以尽力内科医生拟定亡之前的医学外科手术方案，并且是只不过无创的。在分析亡之前病变受到破坏脑部的飞行测试之前，该pCASL 深度自学静态在两个独立国家的信息集上均实现了92％的确切度。君炯炯副教授团队，包括在读博士科学研究生君凯、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim博士，与普林斯顿医学院（UCLA） 和普林斯顿医学院（Stanford）的科学家合作顺利进行了这项科学研究。为了锻炼这一静态，科学研究执法人员用作167个图像集，搜集于普林斯顿医学院的1.5Tesla和3.0Tesla西门子（Siemens）MRI 控制系统，受试者为137例功能障碍型亡之前病人。时是的静态在12个图像集上顺利进行了独立国家实验者，该图像集搜集于普林斯顿医学院的1.5Tesla和3.0Tesla通用电气（GE） MRI控制系统。据知晓，这项科学研究的一个显着耀眼是，其静态被显然是在只不过相同光学游戏平台、只不过相同医院、只不过相同病人族群的情况下即便如此是有效的。接下来，君炯炯副教授团队计划顺利进行一项不够大规模的科学研究，以在不够多医务执法人员之前分析该算法，并将急性颈动脉瘤亡之前的外科手术窗口拓展到症状发作后24小时以上。ROC 和 Precision-recall curve （PRC）显示深度自学（DL）比六种机器自学（ML）的方式不够确切。