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

已对，美国南加州该大学（USC）Mark and Mary Stevens 神经影像与信息学科学研究所（INI）的科学研究医务人员正在科学研究一种替代作法，该作法使临床医生无需向患者注射造影剂即可审计脑病亡中会破坏。该团队于2019年12月底在《Stroke》杂志上的发表了题为《Deep Learning Detection of Penumbral Tissue on Arterial Spin Labeling in Stroke》的书评。这篇书评的通讯原作者是INI神经学副教授王为炯炯（Danny JJ Wang）；第一原作者是南加州该大学生物医学工程系在读博士生王为凯。据了解，急性颇高血压脑病亡中会 (acute ischemic stroke) 是脑病亡中会的最常见的类别。当患者发作时，血凝块阻碍了中会枢神经子系统中会的动脉血流，临床医师需要迅速采取行动，拒绝接受必要的放射治疗。通常，医生需要同步进行神经系统扫描以确认由病亡中会引起的中会枢神经子系统损伤周边，作法是使用磁共振扫描（MRI）或计算机断层扫描（CT）。但是这些扫描作法需要使用化学造影剂，有些还含有颇高剂量的X-射线辐射，而另一些则有可能对有肾脏或血管疾病的患者受伤害。在这项科学研究中会，王为炯炯副教授团队构建并验证了一种人工智能（AI）演算法，该演算法可以从一种更加安全的中会枢神经子系统扫描类别（逆周内动脉粒子上标磁共振扫描，pCASL MRI）中会基本功能提取有关病亡中会破坏的数据。据了解，这是首次应用深度努力学习演算法和无造影剂灌注MRI来识别因病亡中会而毁坏的脑组织的包涵平台、包涵机构的子系统性科学研究。该数学模型号是一种很有前景的作法，可以帮助医生制定病亡中会的临床放射治疗建议，并且是完全无创的。在审计病亡中会患者毁坏脑组织的验证中会，该pCASL 深度努力学习数学模型号在两个实质上的数据集上均实现了92％的吻合度。王为炯炯副教授团队，包括在读博士科学大学本科王为凯、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim博士，与加州该大学洛杉矶分校（UCLA） 和加州该大学洛杉矶分校（Stanford）的地质学家合作同步进行了这项科学研究。为了体能训练这一数学模型号，科学研究医务人员使用167个图形集，采集于加州该大学洛杉矶分校的1.5Tesla和3.0Tesla西门子（Siemens）MRI 子系统，受试者为137例缺血型号病亡中会治疗。经过体能训练的数学模型号在12个图形集上同步进行了实质上验证，该图形集采集于加州该大学洛杉矶分校的1.5Tesla和3.0Tesla通用汽车公司（GE） MRI子系统。据了解，这项科学研究的一个祚着令人惊叹是，其数学模型号被证明是在并不相同扫描平台、并不相同医院、并不相同治疗群体的情况下直到现在是必要的。接下来，王为炯炯副教授团队构想同步进行一项更加大规模的科学研究，以在更加多附属医院中会审计该演算法，并将急性颇高血压病亡中会的放射治疗窗口拓展到副作用猝死后24天内以上。ROC 和 Precision-recall curve （PRC）辨识深度努力学习（DL）比六种机器努力学习（ML）的作法更加吻合。