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

近日，美国圣莫尼卡国立大学（USC）Mark and Mary Stevens 神经影像与信息学科学研究所（INI）的科学研究管理人员正要科学研究一种替代新方法，该新方法使外科心理医生无需向症状注射检测器即可审核脑薨中所负面影响。该开发团队于2019年12月在《Stroke》杂志上的撰写了题为《Deep Learning Detection of Penumbral Tissue on Arterial Spin Labeling in Stroke》的文中所。这篇文中所的通讯译者是INI神经学名誉教授中所山王炯炯（Danny JJ Wang）；第一译者是圣莫尼卡国立大学生物医学化学系在读助手生中所山杨林。据了解到，急性高血压脑薨中所 (acute ischemic stroke) 是脑薨中所的最罕见的特性。当症状发病时，血凝块受阻了脑中所的横膈膜血东流，外科医师必需短时间敦促，给予有效的放射治疗。通常，心理医生必需进行脑干扫瞄以表明由薨中所引起的脑损伤区域，新方法是适用成像激光（MRI）或计算机断层扫瞄（CT）。但是这些扫瞄新方法必需适用化学检测器，有些还富含高剂量的X-放射高能量，而另一些则可能对有十二指肠或肺部疾病的症状受伤害。在这项科学研究中所，中所山王炯炯名誉教授开发团队紧密结合并检测了一种人工智能（AI）正则表达式，该正则表达式可以从一种越来越确保的脑扫瞄特性（伪连续横膈膜自旋标记成像激光，pCASL MRI）中所自动提取有关薨中所负面影响的数据。据了解到，这是首次应用领域高度学习正则表达式和无检测器灌注MRI来识别因薨中所而受到影响的脑组织的跨跨平台、跨机构的更进一步科学研究。该框架是一种很有现状的新方法，可以帮助心理医生制定薨中所的外科放射治疗计划，并且是只不过无创的。在审核薨中所症状受到影响脑组织的检测中所，该pCASL 高度学习框架在两个分立的数据集上仅有付诸了92％的正确性。中所山王炯炯名誉教授开发团队，包括在读助手科学研究生中所山杨林、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim助手，与圣莫尼卡国立大学（UCLA） 和麻省理工学院（Stanford）的科学家共同进行了这项科学研究。为了训练这一框架，科学研究管理人员适用167个图像集，野外于圣莫尼卡国立大学的1.5Tesla和3.0TeslaAEG（Siemens）MRI 系统对，受试者为137同上缺血型薨中所病人。缺乏经验的框架在12个图像集上进行了分立证明，该图像集野外于麻省理工学院的1.5Tesla和3.0Tesla通用电气（GE） MRI系统对。据了解到，这项科学研究的一个显着令人难忘是，其框架被证明是在相异激光跨平台、相异医院、相异病人群体的情况下依然是有效的。再一，中所山王炯炯名誉教授开发团队计划进行一项越来越大规模的科学研究，以在越来越多医疗机构中所审核该正则表达式，并将急性高血压薨中所的放射治疗可视拓展到症状复发后24天内以上。ROC 和 Precision-recall curve （PRC）显示高度学习（DL）比六种机器学习（ML）的新方法越来越正确。