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

近日，美国南加州私立大学（USC）Mark and Mary Stevens 神经扫描与信息学研究工作员（INI）的研究工作执法人员将要研究工作一种替代作法，该作法使药理学牙医无需向病症注射样品即可审计脑亡中所损害。该小组于2019年12年末在《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。这文章的通讯该系统译者是INI神经学客座教授君炯炯（Danny JJ Wang）；第一译者是南加州私立大学生物医学工程系在读博士生张宁。据认识到，急性高血压脑亡中所 (acute ischemic stroke) 是脑亡中所的最常见的类DF。当病症胃癌时，血凝块冲击了人脑中所的颈动脉血流，药理学医师必需迅速制止，得到有效性的病人。通常，牙医必需透过视网膜读取以确认由亡中所引致的人脑损伤区域，作法是用于核磁共振孝微（MRI）或计算机断层读取（CT）。但是这些读取作法必需用于物理样品，有些还内含高剂量的X-射线电磁辐射，而另一些则可能对有肾脏或血管病因的病症伤及。在这项研究工作中所，君炯炯客座教授小组构建并测试了一种人工智能（AI）算法，该算法可以从一种更加安全和的人脑读取类DF（实为连续颈动脉自旋标有核磁共振孝微，pCASL MRI）中所启动时提取有关亡中所损害的数据。据认识到，这是首次应用深自学算法和无样品灌注MRI来识别因亡中所而受损的腹腔的跨SDK、跨管理机构的该系统性研究工作。该框架是一种很有无疑的作法，可以帮助牙医制定亡中所的药理学病人拟议，并且是完全无创的。在审计亡中所病症受损腹腔的测试中所，该pCASL 深自学框架在两个分立的数据集上外实现了92％的吻合度。君炯炯客座教授小组，包括在读博士研究工作生张宁、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim博士，与加州私立大学洛杉矶分校（UCLA） 和斯坦福私立大学（Stanford）的地质学家共同开发透过了这项研究工作。为了专业训练这一框架，研究工作执法人员用于167个三维集，搜集于加州私立大学洛杉矶分校的1.5Tesla和3.0Tesla日立（Siemens）MRI 该系统，人脑为137同上缺血DF亡中所病人。经过专业训练的框架在12个三维集上透过了分立验证，该三维集搜集于斯坦福私立大学的1.5Tesla和3.0Tesla通用电气（GE） MRI该系统。据认识到，这项研究工作的一个孝着亮点是，其框架被证明是在不尽相同孝微SDK、不尽相同该医院、不尽相同病人群体的前提依然是有效性的。再一，君炯炯客座教授小组原计划透过一项更加大规模的研究工作，以在更加多医疗管理机构中所审计该算法，并将急性高血压亡中所的病人窗口拓展到症状猝死后24足足以上。ROC 和 Precision-recall curve （PRC）表明深自学（DL）比六种机器自学（ML）的作法更加吻合。