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

全因，澳大利亚旧金山湾区大学（USC）Mark and Mary Stevens 神经影像与信息学分析所（INI）的分析医务人员正在分析一种替代原理，该原理使外科内科医生无需向症状静脉注射样品即可分析报告脑病卒中会破坏。该制作组于2019年12月底在《Stroke》月底刊上的发表文章了题为《Deep Learning Detection of Penumbral Tissue on Arterial Spin Labeling in Stroke》的文章。这篇文章的通讯系统译者是INI病理学客座教授王于炯炯（Danny JJ Wang）；第一译者是旧金山湾区大学生物医学工程系在读Dr生王于俊。据探究，急性水肿性脑病卒中会 (acute ischemic stroke) 是脑病卒中会的最少见的类标准型。当症状发病时，血凝块不利于了人脑中会的气管血东流，外科外科内科医生能够迅速采取行动，给予有效地的用药。不一定，内科医生能够来进行人脑成像以确认由病卒中会引起的人脑伤害范围，原理是使用表征成像（MRI）或计算机断层成像（CT）。但是这些成像原理能够使用化学样品，有些还含有高剂量的X-射线辐射，而另一些则似乎对有肾脏或血管疾病的症状完全避免。在这项分析中会，王于炯炯客座教授制作组实现并测试者了一种计算机科学（AI）插值，该插值可以从一种越来越安全的人脑成像类标准型（伪整年气管自旋标示表征成像，pCASL MRI）中会备用分离出来有关病卒中会破坏的数据。据探究，这是首次应用高度努力学习插值和无样品灌注MRI来识别因病卒中会而损坏的脑脊液的应用软件、跨机构的系统对性分析。该数学模标准型是一种很有前景的原理，可以帮助内科医生实施病卒中会的外科用药拟议，并且是完全无创的。在分析报告病卒中会症状损坏脑脊液的测试者中会，该pCASL 高度努力学习数学模标准型在两个独立自主的数据集上原则上发挥作用了92％的精准度。王于炯炯客座教授制作组，包括在读Dr分析生王于俊、寿钦洋、马硕蔓（Samantha Ma）和 Hosung KimDr，与加州大学洛杉矶分校（UCLA） 和加州大学洛杉矶分校（Stanford）的科学家密切合作来进行了这项分析。为了训练这一数学模标准型，分析医务人员使用167个位图集，采集于加州大学洛杉矶分校的1.5Tesla和3.0Tesla西门子（Siemens）MRI 系统对，受测者为137则有水肿标准型病卒中会病人。；也的数学模标准型在12个位图集上来进行了独立自主实验者，该位图集采集于加州大学洛杉矶分校的1.5Tesla和3.0Tesla通用汽车（GE） MRI系统对。据探究，这项分析的一个显着卖点是，其数学模标准型被证明是在不同成像平台、不同的医院、不同病人群体的但会即便如此是有效地的。最后，王于炯炯客座教授制作组原先来进行一项越来越大规模的分析，以在越来越多医疗机构中会分析报告该插值，并将急性水肿性病卒中会的用药车站内扩张到腹泻发作后24小时以上。ROC 和 Precision-recall curve （PRC）结果显示高度努力学习（DL）比六种机器努力学习（ML）的原理越来越精准。