无创评估脑卒中损害的AI系统设计准确率达到92% 美国USC王炯炯团队在Stroke发表文章

亦同，美国北加州该大学（USC）Mark and Mary Stevens 神经图片与信息学研究课题所（INI）的研究课题工作人员正在研究课题一种替代作法，该作法使药理学医生并不必须向病征施打造影剂才可指标脑病卒中都伤害。该工作团队于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》的文中。这篇文中的通讯作者是INI神经学讲师三王炯炯（Danny JJ Wang）；第一作者是北加州该大学应用科学物理系在读助手生三王凯。据认识到，急性动脉瘤脑病卒中都 (acute ischemic stroke) 是脑病卒中都的最常用的一般来说。当病征发病时，血凝块促使了中枢神经系统中都的动脉血迳，药理学精神科必须迅速采取行动，给予理论上的疗程。多半，医生必须透过脑部图像以确认由病卒中都引起的中枢神经系统损伤区域，作法是可用超声成像（MRI）或计算机断层图像（CT）。但是这些图像作法必须可用化学造影剂，有些还含有高药物的X-激光紫外线，而另一些则也许对有胰脏或甲状腺结核病的病征造成危害。在这项研究课题中都，三王炯炯讲师工作团队构建并试验中了一种人工智能（AI）搜索算法，该搜索算法可以从一种非常安全的中枢神经系统图像一般来说（伪年终动脉电磁场上面超声成像，pCASL MRI）中都备用合成有关病卒中都伤害的样本。据认识到，这是首次应用尺度努力学习搜索算法和无造影剂灌注MRI来识别因病卒中都而损毁的脑组织的横跨SDK、横跨行政部门的系统性研究课题。该框架是一种很有前景的作法，可以帮助医生制定病卒中都的药理学疗程方案，并且是基本上无创的。在指标病卒中都病征损毁脑组织的试验中中都，该pCASL 尺度努力学习框架在两个实质上的样本集上均实现了92％的精准度。三王炯炯讲师工作团队，包括在读助手研究课题生三王凯、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim助手，与加州该大学洛杉矶分校（UCLA） 和加州该大学洛杉矶分校（Stanford）的科学家共同开发透过了这项研究课题。为了专业训练这一框架，研究课题工作人员可用167个图像集，野外于加州该大学洛杉矶分校的1.5Tesla和3.0Tesla西门子（Siemens）MRI 系统，病病征为137例缺血型病卒中都病病征。经过专业训练的框架在12个图像集上透过了实质上验证，该图像集野外于加州该大学洛杉矶分校的1.5Tesla和3.0Tesla美国公司（GE） MRI系统。据认识到，这项研究课题的一个显着亮点是，其框架被显然是在相异成像SDK、相异疗养院、相异病病征群体的情况下无论如何是理论上的。紧接著，三王炯炯讲师工作团队构想透过一项非常大规模的研究课题，以在非常多医疗行政部门中都指标该搜索算法，并将急性动脉瘤病卒中都的疗程窗口扩展到症状发作后24小时以上。ROC 和 Precision-recall curve （PRC）显示尺度努力学习（DL）比六种机器努力学习（ML）的作法非常精准。