无创评估脑卒中损害的AI技术准确率达到92% 美国USC王炯炯团队在Stroke撰文

近日，American南加州私立大学（USC）Mark and Mary Stevens 神经影像与信息学研究课题所（INI）的研究课题其他部门正在研究课题一种替代工具，该工具使临床医师无需向症状注射辐射源才可风险评估脑馀中所伤害。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》的文章。这文章的通信所写是INI神经科教授王炯炯（Danny JJ Wang）；第一所写是南加州私立大学微生物学工程系在读麻省理工学院生王凯。据了解，急性冠心病脑馀中所 (acute ischemic stroke) 是脑馀中所的最相似的类别。当症状得病时，血凝块阻碍了脑干中所的颈动脉血流，临床医师并不需要迅速施加压力，给予有效的外科手术。通常，医师并不需要进行脑部照相以推定由馀中所导致的脑干损伤区域，工具是采用核磁共振激光（MRI）或计算机断层照相（CT）。但是这些照相工具并不需要采用生物化学辐射源，有些还富含高静脉注射的X-激光辐射，而另一些则可能对有肺脏或毛细血管哮喘的症状伤及。在这项研究课题中所，王炯炯教授一个团队构建并测试了一种计算机（AI）插值，该插值可以从一种更是安全的脑干照相类别（伪紧接著颈动脉自旋标记核磁共振激光，pCASL MRI）中所自动提取有关馀中所伤害的资料。据了解，这是首次运用于高度自学插值和无辐射源洗涤MRI来比对因馀中所而受损的脑脊液的跨平台、跨政府部门的管理系统性研究课题。该建模是一种很有前景的工具，可以努力医师制定馀中所的临床外科手术解决方案，并且是几乎无创的。在风险评估馀中所症状受损脑脊液的测试中所，该pCASL 高度自学建模在两个统一的资料集上大多构建了92％的精确度。王炯炯教授一个团队，仅限于在读麻省理工学院研究课题生王凯、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim麻省理工学院，与加州私立大学洛杉矶分校（UCLA） 和斯坦福私立大学（Stanford）的科学家共同开发进行了这项研究课题。为了训练这一建模，研究课题其他部门采用167个位图集，收集于加州私立大学洛杉矶分校的1.5Tesla和3.0Tesla斯柯达（Siemens）MRI 管理系统，受试者为137例坏死型馀中所产妇。经过训练的建模在12个位图集上进行了统一可验证，该位图集收集于斯坦福私立大学的1.5Tesla和3.0Tesla通用汽车（GE） MRI管理系统。据了解，这项研究课题的一个显着令人难忘是，其建模被显然是在不尽相同激光平台、不尽相同医院、不尽相同产妇族群的意味著依然是有效的。年中，王炯炯教授一个团队计划案进行一项更是大规模的研究课题，以在更是多诊所中所风险评估该插值，并将急性冠心病馀中所的外科手术窗口推展到症状发作后24小时以上。ROC 和 Precision-recall curve （PRC）说明了高度自学（DL）比六种机器自学（ML）的工具更是吻合。