无创分析脑卒中损害的AI技术准确率达到92% 美国USC王炯炯团队在Stroke发表文章

近日，美国圣迭戈的学校（USC）Mark and Mary Stevens 神经相片与生物医学研究工作所（INI）的研究工作技术人员正在研究工作一种替代法则，该法则使药理学医师不必向病患注射人体内即可分析报告脑病亡中都破坏。该团队于2019年12月在《Stroke》Magazine上的发表了文中都《Deep Learning Detection of Penumbral Tissue on Arterial Spin Labeling in Stroke》的篇文章。这篇篇文章的通讯作者是INI神经学大学教授君炯炯（Danny JJ Wang）；第一作者是圣迭戈的学校生物医学工程系在读芝加哥的学校生了当。据洞察，急性囊肿性脑病亡中都 (acute ischemic stroke) 是脑病亡中都的最常见于的并不一定。当病患发病时，血凝块阻碍了人脑中都的动脉血逆，药理学医师须要随之采取行动，给予有效率的治疗。举例来说，医师须要同步进行脑部读取以证实由病亡中都引起的人脑损伤区域，法则是使用医学相片成像（MRI）或计算机断层读取（CT）。但是这些读取法则须要使用矿物学人体内，有些还富含高剂量的X-射线辐射，而另一些则可能对有脾脏或血管疾病的病患造成危害。在这项研究工作中都，君炯炯大学教授团队借助于并测试了一种智能（AI）启发式，该启发式可以从一种更安全的人脑读取并不一定（逆连续动脉电磁场标示出医学相片成像，pCASL MRI）中都自动分离出有关病亡中都破坏的统计数据。据洞察，这是首次广泛应用剖面学习启发式和无人体内灌注MRI来识别因病亡中都而受到影响的神经组织的跨平台、跨机构的系统会性研究工作。该假设是一种很有脆弱性的法则，可以帮助医师制定病亡中都的药理学治疗方案，并且是完全无创的。在分析报告病亡中都病患受到影响神经组织的测试中都，该pCASL 剖面学习假设在两个独立的统计数据集上均实现了92％的精准度。君炯炯大学教授团队，包括在读芝加哥的学校本科了当、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim芝加哥的学校，与加州的学校洛杉矶分校（UCLA） 和斯坦福的学校（Stanford）的科学家合作同步进行了这项研究工作。为了训练这一假设，研究工作技术人员使用167个图形集，采集于加州的学校洛杉矶分校的1.5Tesla和3.0Tesla斯柯达（Siemens）MRI 系统会，受试者为137亦然囊肿型病亡中都患者。经过训练的假设在12个图形集上同步进行了独立验证，该图形集采集于斯坦福的学校的1.5Tesla和3.0Tesla通用电气（GE） MRI系统会。据洞察，这项研究工作的一个显着亮点是，其假设被证明是在多种不同成像平台、多种不同医院、多种不同患者群体的只能即便如此是有效率的。整整，君炯炯大学教授团队开发计划同步进行一项更大规模的研究工作，以在更多医疗机构中都分析报告该启发式，并将急性囊肿性病亡中都的治疗窗口推展到症状发作后24小时以上。ROC 和 Precision-recall curve （PRC）显示剖面学习（DL）比六种机器学习（ML）的法则更精准。