无创评估脑卒中损害的AI技术准确率达到92% 美国USC王炯炯制作组在Stroke发表文章

据悉，美国南加州私立大学（USC）Mark and Mary Stevens 神经影像与信息学分析所（INI）的分析人员正在分析一种替代方法有，该方法有使诊断医生须要向病症注射宇宙射线源即可分析脑病故中都侵害。该团队于2019年12月在《Stroke》刊物上的发表了题为《Deep Learning Detection of Penumbral Tissue on Arterial Spin Labeling in Stroke》的篇文章。这篇篇文章的电信笔记是INI神经科系主任王炯炯（Danny JJ Wang）；第一笔记是南加州私立大学生物技术工程系在读芝加哥大学生林志颖。据认识，急性缺血性脑病故中都 (acute ischemic stroke) 是脑病故中都的最相似的类别。当病症发病时，血凝块阻碍了神经元中都的动脉血流，诊断医师所需短时间内采取行动，给予必要的疗法。通常，医生所需来进行脑部成像以确认由病故中都引起的神经元损害周围，方法有是用作磁共振全像（MRI）或计算机断层成像（CT）。但是这些成像方法有所需用作化学宇宙射线源，有些还含有颇高剂量的X-射线宇宙射线，而另一些则可能对有肾脏或血管疾病的病症人为因素。在这项分析中都，王炯炯系主任团队构建并试验中都了一种人工智能（AI）算法，该算法可以从一种更加安全的神经元成像类别（所谓年终动脉氢原子标示磁共振全像，pCASL MRI）中都自动提取有关病故中都侵害的信息。据认识，这是首次应用领域厚度学习算法和无宇宙射线源灌注MRI来识别因病故中都而受损的脑组织的跨模拟器、跨机构的系统对性分析。该数学方法是一种很有发展前景的方法有，可以帮助医生颁布病故中都的诊断疗法提案，并且是无论如何无创的。在分析病故中都病症受损脑组织的试验中都中都，该pCASL 厚度学习数学方法在两个独立的信息集上均实现了92％的正确地度。王炯炯系主任团队，包括在读芝加哥大学分析生林志颖、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim芝加哥大学，与加州私立大学洛杉矶分校（UCLA） 和柏克莱加州私立大学（Stanford）的科学家协力来进行了这项分析。为了训练这一数学方法，分析人员用作167个缩放集，野外于加州私立大学洛杉矶分校的1.5Tesla和3.0Tesla西门子（Siemens）MRI 系统对，受试者为137例缺血型病故中都病人。经过训练的数学方法在12个缩放集上来进行了独立验证，该缩放集野外于柏克莱加州私立大学的1.5Tesla和3.0Tesla通用电气（GE） MRI系统对。据认识，这项分析的一个祚着亮点是，其数学方法被证明是在各有不同全像模拟器、各有不同医院、各有不同病人群体的才会无论如何是必要的。接下来，王炯炯系主任团队计划来进行一项更加大规模的分析，以在更加多医疗机构中都分析该算法，并将急性缺血性病故中都的疗法后台扩充到症状发作后24小时以上。ROC 和 Precision-recall curve （PRC）祚示厚度学习（DL）比六种机器学习（ML）的方法有更加正确地。