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

已对，美国南加州所学校（USC）Mark and Mary Stevens 大脑幻灯片与生命科学科学研究所（INI）的科学研究工作人员早就科学研究一种替代步骤，该步骤使诊断心理医生无需向病症注射样品即可指标脑亡之中受到影响。该小组于2019年12月在《Stroke》杂志上的刊出了文之中《Deep Learning Detection of Penumbral Tissue on Arterial Spin Labeling in Stroke》的文章。这篇文章的通讯所作是INI认知科学科学研究员王为炯炯（Danny JJ Wang）；第一所作是南加州所学校生物医学工程系在读博士生王为凯。据明白，急性病变性脑亡之中 (acute ischemic stroke) 是脑亡之中的最常见的特性。当病症发病时，血凝块冲击了大脑系统之中的食道血源，诊断主治医师需不断采取行动，赋予必需的用药。并不一定，心理医生需同步进行脊髓扫瞄以确认由亡之中惹来的大脑系统重击地带，步骤是采用显像显像（MRI）或计算机断层扫瞄（CT）。但是这些扫瞄步骤需采用物理样品，有些还包含高静脉注射的X-辐射源辐射，而另一些则可能对有肾脏或毛细血管营养不良的病症严重危害。在这项科学研究之中，王为炯炯科学研究员小组构建并的测试了一种人工智慧（AI）算法，该算法可以从一种愈来愈必要的大脑系统扫瞄特性（伪连续食道电磁场标记显像显像，pCASL MRI）之中则会提取有关亡之中受到影响的图表。据明白，这是首次系统设计设计最深处自学算法和无样品灌注MRI来识别因亡之中而损害的脑组织的图形化、跨机构的系统设计性科学研究。该建模是一种很有前景的步骤，可以帮助心理医生颁布亡之中的诊断用药计划，并且是完全无创的。在指标亡之中病症损害脑组织的的测试之中，该pCASL 最深处自学建模在两个实质上的图表集上均实现了92％的精度。王为炯炯科学研究员小组，包括在读博士科学研究生王为凯、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim博士，与加州所学校伯克利分校（UCLA） 和加州所学校伯克利分校（Stanford）的科学家合作同步进行了这项科学研究。为了训练这一建模，科学研究工作人员采用167个图片集，采集于加州所学校伯克利分校的1.5Tesla和3.0Tesla西门子（Siemens）MRI 系统设计，受试者为137例病变型亡之中病人。时是的建模在12个图片集上同步进行了实质上解析，该图片集采集于加州所学校伯克利分校的1.5Tesla和3.0Tesla通用电气公司（GE） MRI系统设计。据明白，这项科学研究的一个显着亮点是，其建模被证明是在多种不同显像平台、多种不同医院、多种不同病人群体的情况下依然是必需的。最后，王为炯炯科学研究员小组计划同步进行一项愈来愈大规模的科学研究，以在愈来愈多医疗机构之中指标该算法，并将急性病变性亡之中的用药窗口拓展到呕吐复发后24小时以上。ROC 和 Precision-recall curve （PRC）显示最深处自学（DL）比六种机器自学（ML）的步骤愈来愈吻合。