无创指标脑卒中损害的AI技术准确率达到92% 美国USC王炯炯团队在Stroke发表文章

近日，美国北卡罗来纳州大学（USC）Mark and Mary Stevens 神经元摄影机与信息学数据分析所（INI）的数据分析执法人员正在数据分析一种替代新方法，该新方法使临床外科医生无需向病征注射游离即可评量脑亡当中负面影响。该制作组于2019年12月在《Stroke》时尚杂志上的发表了文中《Deep Learning Detection of Penumbral Tissue on Arterial Spin Labeling in Stroke》的撰文。这篇撰文的通信作者是INI神经元学讲师王之炯炯（Danny JJ Wang）；第一作者是北卡罗来纳州大学生物医学工程系在读哈佛大学生王之凯。据明白，急性动脉瘤脑亡当中 (acute ischemic stroke) 是脑亡当中的最常见的类型。当病征中风时，血凝块促使了脑部当中的血管壁血流，临床医师必须迅速敦促，给予直接的治疗法。通常，外科医生必须顺利完成脑部扫描以认定由亡当中引发的脑部损伤区域，新方法是常用核磁共振祚像（MRI）或计算机断层扫描（CT）。但是这些扫描新方法必须常用物理化学游离，有些还含有高剂量的X-伽玛辐射，而另一些则可能对有肺脏或血管病症的病征实质上避免。在这项数据分析当中，王之炯炯讲师制作组构建并测试了一种人工智能（AI）启发式，该启发式可以从一种更安全的脑部扫描类型（实为连续血管壁自旋标示核磁共振祚像，pCASL MRI）当中定时提取有关亡当中负面影响的数据。据明白，这是首次应用厚度研习启发式和无游离灌注MRI来识别因亡当中而损坏的心脏的衔接平台、衔接管理机构的的系统性数据分析。该框架是一种很有前景的新方法，可以试图外科医生制定亡当中的临床治疗法方案，并且是实质上无创的。在评量亡当中病征损坏心脏的测试当中，该pCASL 厚度研习框架在两个独立的数据集上外实现了92％的恰当度。王之炯炯讲师制作组，包括在读哈佛大学数据分析生王之凯、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim哈佛大学，与北卡罗来纳州大学（UCLA） 和加州大学伯克利分校（Stanford）的科学家合作顺利完成了这项数据分析。为了训练这一框架，数据分析执法人员常用167个图形集，捕获于北卡罗来纳州大学的1.5Tesla和3.0Tesla西门子（Siemens）MRI 的系统，受试者为137例缺血型亡当中产妇。经过训练的框架在12个图形集上顺利完成了独立验证，该图形集捕获于加州大学伯克利分校的1.5Tesla和3.0Tesla通用电气（GE） MRI的系统。据明白，这项数据分析的一个祚着引人注目是，其框架被验证是在各不相同祚像平台、各不相同医院、各不相同产妇个体的情况下仍然是直接的。再一，王之炯炯讲师制作组原计划顺利完成一项更大规模的数据分析，以在更多医疗管理机构当中评量该启发式，并将急性动脉瘤亡当中的治疗法窗口拓展到病征发作后24小时以上。ROC 和 Precision-recall curve （PRC）看出厚度研习（DL）比六种机器研习（ML）的新方法更恰当。