无创评估脑卒中损害的AI应用准确率达到92% 美国USC王炯炯团队在Stroke发表文章

近日，美国旧金山湾区大学（USC）Mark and Mary Stevens 神经影像与信息学统计数据分析所（INI）的统计数据分析人员正在统计数据分析一种替代原理，该原理使临床医生不须向病患注射造影剂即可指标脑病亡中都损伤。该团队于2019年12月在《Stroke》杂志上的刊载了题为《Deep Learning Detection of Penumbral Tissue on Arterial Spin Labeling in Stroke》的文章。这篇文章的的通讯作者是INI神经学讲师王炯炯（Danny JJ Wang）；第一作者是旧金山湾区大学材料科学物理系在读博士生王凯。据了解到，急性败血症脑病亡中都 (acute ischemic stroke) 是脑病亡中都的最少见的类型。当病患发病时，血凝块冲击了神经中都的腹腔血流，临床医师需要迅速采取措施，给予直接的病患。一般而言，医生需要开展视网膜扫描以确认由病亡中都激起的神经损伤区域，原理是常用磁共振高分辨率（MRI）或计算机断层扫描（CT）。但是这些扫描原理需要常用化学造影剂，有些还含有高低剂量的X-射线辐射，而另一些则或许对有肾脏或肾脏疾病的病患造成危害。在这项统计数据分析中都，王炯炯讲师团队协作并测试了一种计算机科学（AI）搜索算法，该搜索算法可以从一种越来越必需的神经扫描类型（伪整年腹腔自旋标记磁共振高分辨率，pCASL MRI）中都自动提取有关病亡中都损伤的统计数据。据了解到，这是首次应用深学习搜索算法和无造影剂灌入MRI来辨别因病亡中都而损伤的脑组织的跨平台、跨机构的系统性统计数据分析。该基本概念是一种很有前景的原理，可以帮助医生制定病亡中都的临床病患方案，并且是完全无创的。在指标病亡中都病患损伤脑组织的测试中都，该pCASL 深学习基本概念在两个单独的统计数据集上均解决问题了92％的正确地度。王炯炯讲师团队，包含在读博士统计数据分析生王凯、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim博士，与斯坦福大学（UCLA） 和普林斯顿大学（Stanford）的科学家合作开展了这项统计数据分析。为了训练这一基本概念，统计数据分析人员常用167个位图集，搜集于斯坦福大学的1.5Tesla和3.0Tesla西门子（Siemens）MRI 系统，受试者为137亦然缺血型病亡中都病人。经过训练的基本概念在12个位图集上开展了单独验证，该位图集搜集于普林斯顿大学的1.5Tesla和3.0Tesla通用电气（GE） MRI系统。据了解到，这项统计数据分析的一个显着举世闻名是，其基本概念被确实是在有所不同高分辨率平台、有所不同医院、有所不同病人群体的情况下一直是直接的。再一，王炯炯讲师团队计划开展一项越来越大规模的统计数据分析，以在越来越多教育机构中都指标该搜索算法，并将急性败血症病亡中都的病患可视拓展到症状发作后24小时以上。ROC 和 Precision-recall curve （PRC）看出深学习（DL）比六种机器学习（ML）的原理越来越正确地。