无创评估脑卒中负面影响的AI技术准确率达到92% 美国USC王炯炯团队在Stroke发表文章

近日，澳大利亚加利福尼亚州大学（USC）Mark and Mary Stevens 神经幻灯片与信息科学学术研究院（INI）的学术研究部门正在学术研究一种替代法则，该法则使临床内科医生无需向病症注射辐射源只需审计脑卒于中都受到影响。该制作组于2019年12月底在《Stroke》周刊上的刊发了题为《Deep Learning Detection of Penumbral Tissue on Arterial Spin Labeling in Stroke》的文章。这前言的通讯写作者是INI神经学教授君炯炯（Danny JJ Wang）；第一写作者是加利福尼亚州大学机械工程工程系在读研究生君凯。据认识到，急性结核脑卒于中都 (acute ischemic stroke) 是脑卒于中都的最常见的一般来说。当病症发病时，血凝块顾虑了中枢神经系统中都的颈动脉血流，临床医师必需快速采取措施，获得合理的外科手术。往往，内科医生必需顺利进行大脑图像以确认由卒于中都引起的中枢神经系统损伤周围，法则是常用图像图像（MRI）或计算机断层图像（CT）。但是这些图像法则必需常用生物化学辐射源，有些还含有高低剂量的X-射线辐射，而另一些则显然对有消化道或血管病因的病症造成危害。在这项学术研究中都，君炯炯教授制作组构筑并试验中了一种人工智能（AI）启发式，该启发式可以从一种更是安全和的中枢神经系统图像一般来说（实为周内颈动脉自旋上面图像图像，pCASL MRI）中都自动提取有关卒于中都受到影响的数据集。据认识到，这是首次应用深度研修启发式和无辐射源灌注MRI来识别因卒于中都而受损的脑组织的功能强大、跨机构的管理系统性学术研究。该数学模型是一种很有前景的法则，可以帮助内科医生实施卒于中都的临床外科手术方案，并且是完全无创的。在审计卒于中都病症受损脑组织的试验中中都，该pCASL 深度研修数学模型在两个独立的数据集集上皆借助了92％的弹道。君炯炯教授制作组，包括在读博士学术研究生君凯、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim博士，与加州大学洛杉矶分校（UCLA） 和柏克莱加州大学（Stanford）的科学家合作关系顺利进行了这项学术研究。为了体能训练这一数学模型，学术研究部门常用167个图形集，通过观察于加州大学洛杉矶分校的1.5Tesla和3.0Tesla西门子（Siemens）MRI 管理系统，受试者为137例缺血型卒于中都病者。缺乏经验的数学模型在12个图形集上顺利进行了独立验证，该图形集通过观察于柏克莱加州大学的1.5Tesla和3.0Tesla通用电气（GE） MRI管理系统。据认识到，这项学术研究的一个显着令人难忘是，其数学模型被证明是在有所不同图像平台、有所不同疗养院、有所不同病者社会性的只能依然是合理的。几周，君炯炯教授制作组计划顺利进行一项更是大规模的学术研究，以在更是多教育机构中都审计该启发式，并将急性结核卒于中都的外科手术窗口拓展到症状发作后24小时以上。ROC 和 Precision-recall curve （PRC）显示深度研修（DL）比六种机器研修（ML）的法则更是准确。