无创评估脑卒中损害的AI技术统计分析达到92% 美国USC王炯炯团队在Stroke发表文章

昨日，美国圣荷西大学（USC）Mark and Mary Stevens 神经元影像与信息科学分析所（INI）的分析医务人员正在分析一种替代方法有，该方法有使流行病学医师并不并不需要向患儿服用造影剂方能评估脑殁中都损害。该开发团队于2019年12年初在《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。这篇文章的通讯所写是INI神经元学副教授王为炯炯（Danny JJ Wang）；第一所写是圣荷西大学生物科学工程系在读助手生方刚。据洞察，急性栓塞性脑殁中都 (acute ischemic stroke) 是脑殁中都的最常见于的多种类型。当患儿确诊时，血凝块阻碍了中枢神经系统中都的动脉血流过，流行病学医师并不需要迅速采取行动，得不到必要的治疗。通常，医师并不需要顺利进行脑部扫描以确认由殁中都导致的中枢神经系统损伤周围，方法有是用于清高像清高像（MRI）或计算机断层扫描（CT）。但是这些扫描方法有并不需要用于化学造影剂，有些还成份颇高浓度的X-射线辐射，而另一些则也许对有肾脏或心肌疾病的患儿严重危害。在这项分析中都，王为炯炯副教授开发团队借助于并试验了一种人工智能（AI）解法，该解法可以从一种更公共安全的中枢神经系统扫描多种类型（伪近十年动脉带电粒子记号清高像清高像，pCASL MRI）中都基本功能提取有关殁中都损害的信息。据洞察，这是首次应用最深处努力学习解法和无造影剂灌注MRI来辨认因殁中都而受损的腹腔的一环平台、一环机构的该系统性分析。该数学方法有是一种很有前景的方法有，可以为了让医师订定殁中都的流行病学治疗提议，并且是仅仅无创的。在评估殁中都患儿受损腹腔的试验中都，该pCASL 最深处努力学习数学方法有在两个法理的信息集上除此以外实现了92％的精准度。王为炯炯副教授开发团队，之外在读助手分析生方刚、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim助手，与布朗大学（UCLA） 和加州大学伯克利分校（Stanford）的化学家合作顺利进行了这项分析。为了培训这一数学方法有，分析医务人员用于167个缩放集，采集于布朗大学的1.5Tesla和3.0Tesla西门子（Siemens）MRI 该系统，成年人为137例栓塞型殁中都患者。经过培训的数学方法有在12个缩放集上顺利进行了法理有效性，该缩放集采集于加州大学伯克利分校的1.5Tesla和3.0Tesla通用电气（GE） MRI该系统。据洞察，这项分析的一个清高着令人惊叹是，其数学方法有被证明是在相异清高像平台、相异医院、相异患者个体的情况下即使如此是必要的。接下来，王为炯炯副教授开发团队计划书顺利进行一项更大规模的分析，以在更多诊所中都评估该解法，并将急性栓塞性殁中都的治疗售票厅拓展到症状发作后24不间断以上。ROC 和 Precision-recall curve （PRC）推断最深处努力学习（DL）比六种机器努力学习（ML）的方法有更准确。