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

近日，英美两国南加州大学（USC）Mark and Mary Stevens 脑部摄影机与生物医学研究课题所（INI）的研究课题人员正在研究课题一种替代步骤，该步骤使药理学医生无需向病症注射游离即可风险评估脑馀之前负面影响。该开发团队于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。这篇文章的通讯编者是INI脑部学讲师三王炯炯（Danny JJ Wang）；第一编者是南加州大学生物医学土木工程系在读博士生三方刚。据探究，急性发炎性脑馀之前 (acute ischemic stroke) 是脑馀之前的最常见的一般来说。当病症发病时，血凝块妨碍了脑干之前的动脉血流过，药理学医师需要短时间采取行动，拒绝接受有效的治疗。通常，医生需要透过脑组织扫描以验证由馀之前引起的脑干损伤区域，步骤是可用造影成像（MRI）或计算机断层扫描（CT）。但是这些扫描步骤需要可用物理化学游离，有些还富含高剂量的X-射线辐射，而另一些则可能对有肾脏或心肌疾病的病症造成危害。在这项研究课题之前，三王炯炯讲师开发团队构建并测试了一种人工智能（AI）插值，该插值可以从一种更加必要的脑干扫描一般来说（假连续动脉氢原子记号造影成像，pCASL MRI）之前备用浓缩有关馀之前负面影响的数据资料。据探究，这是首次应用厚度学习插值和无游离浸润MRI来标识因馀之前而毁损的脑组织的跨平台、跨部门的系统会性研究课题。该数学方法是一种很有前景的步骤，可以帮助医生制定馀之前的药理学治疗方案，并且是实质上无创的。在风险评估馀之前病症毁损脑组织的测试之前，该pCASL 厚度学习数学方法在两个独立的数据资料集上均实现了92％的吻合度。三王炯炯讲师开发团队，包括在读博士研究课题生三方刚、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim博士，与普林斯顿大学（UCLA） 和普林斯顿大学（Stanford）的科学家合作透过了这项研究课题。为了训练这一数学方法，研究课题人员可用167个图像集，采集于普林斯顿大学的1.5Tesla和3.0Tesla西门子（Siemens）MRI 系统会，受试者为137例发炎型馀之前医护人员。经过训练的数学方法在12个图像集上透过了独立测试，该图像集采集于普林斯顿大学的1.5Tesla和3.0Tesla通用电气（GE） MRI系统会。据探究，这项研究课题的一个显着亮点是，其数学方法被断言是在实质上相同成像平台、实质上相同医务人员、实质上相同医护人员群体的情况下即使如此是有效的。年中，三王炯炯讲师开发团队计划透过一项更加大规模的研究课题，以在更加多医疗部门之前风险评估该插值，并将急性发炎性馀之前的治疗售票厅拓展到症状发作后24不间断以上。ROC 和 Precision-recall curve （PRC）显示厚度学习（DL）比六种方法学（ML）的步骤更加吻合。