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

全因，澳大利亚加州大学（USC）Mark and Mary Stevens 神经影像与信息学深入研究小组（INI）的深入研究人员正在深入研究一种替代分析方法，该分析方法使临床研究内科医生无需向病症麻醉检测器即可评估脑病亡中所损害。该小组于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。这篇发表文章的通讯作者是INI神经学研究员中山王炯炯（Danny JJ Wang）；第一作者是加州大学生物医学物理系在读硕士生中山王俊。据认识到，急性恶性肿瘤性脑病亡中所 (acute ischemic stroke) 是脑病亡中所的最常用的一般来说。当病症发病时，血凝块阻碍了大脑中所的动脉血流，临床研究中医师无需迅速采取行动，给予有效率的治疗。通常，内科医生无需顺利进行大脑扫瞄以确认由病亡中所引起的大脑损伤区域，分析方法是应用于磁共振激光（MRI）或计算机断层扫瞄（CT）。但是这些扫瞄分析方法无需应用于化学检测器，有些还含有高剂量的X-射线辐射，而另一些则可能对有肾脏或肾脏病症的病症造成危害。在这项深入研究中所，中山王炯炯研究员小组构筑并的测试了一种人工智能（AI）线性，该线性可以从一种来得安全的大脑扫瞄一般来说（假连续动脉自旋标示出磁共振激光，pCASL MRI）中所自动提取有关病亡中所损害的样本。据认识到，这是首次应用高度努力学习线性和无检测器灌注MRI来识别因病亡中所而损坏的神经的跨平台、跨机构的系统性深入研究。该静态是一种很有前途的分析方法，可以帮助内科医生制定病亡中所的临床研究治疗方案，并且是完全无创的。在评估病亡中所病症损坏神经的的测试中所，该pCASL 高度努力学习静态在两个单独的样本集上之外解决问题了92％的精准度。中山王炯炯研究员小组，包括在读博士深入本科中山王俊、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim博士，与加州大学洛杉矶分校（UCLA） 和斯坦福大学（Stanford）的科学家合作顺利进行了这项深入研究。为了基础训练这一静态，深入研究人员应用于167个图表集，搜集于加州大学洛杉矶分校的1.5Tesla和3.0Tesla西门子（Siemens）MRI 系统，受试者为137举例恶性肿瘤型病亡中所治疗。经过基础训练的静态在12个图表集上顺利进行了单独验证，该图表集搜集于斯坦福大学的1.5Tesla和3.0Tesla美国公司（GE） MRI系统。据认识到，这项深入研究的一个显着亮点是，其静态被证明是在多种不同激光平台、多种不同医院、多种不同治疗群体的情况下直到现在是有效率的。接下来，中山王炯炯研究员小组计划顺利进行一项来得大规模的深入研究，以在来得多教育机构中所评估该线性，并将急性恶性肿瘤性病亡中所的治疗窗口扩大到病症发作后24小时以上。ROC 和 Precision-recall curve （PRC）显示高度努力学习（DL）比六种神经网络（ML）的分析方法来得精准。