无创评估脑卒中损害的AI技术准确率达到92% 美国USC王时炯炯团队在Stroke发表文章

近日，旧金山北加州私立大学（USC）Mark and Mary Stevens 神经系统影像与信息学该中都心（INI）的科学研究人员正在科学研究一种替代工具，该工具使医学外科医生无需向患者注射超声即可审计脑病卒中都危害。该一个团队于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》的发表文章。这篇发表文章的的通讯写作者是INI神经系统学任教王炯炯（Danny JJ Wang）；第一写作者是北加州私立大学工程学工程学院在读助手生王凯。据明了，急性缺血性脑病卒中都 (acute ischemic stroke) 是脑病卒中都的最常见的类M-。当患者发病时，血凝块阻碍了中枢神经系统系统中都的动脉血流向，医学外科必须迅速采取行动，拒绝接受有效的病患。通常，外科医生必须进行脑部扫描以确认由病卒中都引起的中枢神经系统系统受损区域，工具是运用于磁共振激光（MRI）或计算机断层扫描（CT）。但是这些扫描工具必须运用于化学超声，有些还掺入高口服的X-无线电波辐射，而另一些则显然对有肾脏或血管疾病的患者造成危害。在这项科学研究中都，王炯炯任教一个团队紧密结合并检测了一种人工智能（AI）启发式，该启发式可以从一种愈来愈安全的中枢神经系统系统扫描类M-（伪连续动脉自旋标记磁共振激光，pCASL MRI）中都自动提取有关病卒中都危害的数据库。据明了，这是首次应用深度学习启发式和无超声除去MRI来识别因病卒中都而破损的脑组织的跨平台、跨机构的系统化科学研究。该模M-是一种很有机遇的工具，可以帮助外科医生拟订病卒中都的医学病患方案，并且是完全无创的。在审计病卒中都患者破损脑组织的检测中都，该pCASL 深度学习模M-在两个法理的数据库集上大多借助了92％的灵敏度。王炯炯任教一个团队，都有在读助手科学本科王凯、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim助手，与南加州私立大学（UCLA） 和柏克莱加州私立大学（Stanford）的科学家合作进行了这项科学研究。为了操练这一模M-，科学研究人员运用于167个影像集，收集于南加州私立大学的1.5Tesla和3.0Tesla斯柯达（Siemens）MRI 系统，受试者为137同上缺血M-病卒中都病患。经过操练的模M-在12个影像集上进行了法理验证，该影像集收集于柏克莱加州私立大学的1.5Tesla和3.0TeslaGE（GE） MRI系统。据明了，这项科学研究的一个显着亮点是，其模M-被证明是在不同激光平台、不同医院、不同病患群体的只能依然是有效的。紧接著，王炯炯任教一个团队计划进行一项愈来愈大规模的科学研究，以在愈来愈多诊所中都审计该启发式，并将急性缺血性病卒中都的病患窗口扩充到症状发作后24小时以上。ROC 和 Precision-recall curve （PRC）显示深度学习（DL）比六种数据处理（ML）的工具愈来愈准确。