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

全因，美国南加州大学（USC）Mark and Mary Stevens 神经影像与生命科学研究课题所（INI）的研究课题人员正在研究课题一种替代原理，该原理使临床药剂师无需向病人注射样品无需分析脑病死当中侵害。该的团队于2019年12月在《Stroke》杂志上的发表了一本书《Deep Learning Detection of Penumbral Tissue on Arterial Spin Labeling in Stroke》的文章。这篇文章的通讯作者是INI神经学教授王为炯炯（Danny JJ Wang）；第一作者是南加州大学材料科学土木工程系在读芝加哥大学生杨林。据认识，急性败血症脑病死当中 (acute ischemic stroke) 是脑病死当中的最常见的类M-。当病人发病时，血凝块阻碍了人脑当中的动脉血流，临床医师需迅速采取行动，给予有效地的外科手术。通常，药剂师需进行时脑部显影以核实由病死当中引起的人脑损伤区域，原理是运用于医学影像光学（MRI）或计算机断层显影（CT）。但是这些显影原理需运用于矿物学样品，有些还包含高副作用的X-射线辐射，而另一些则或许对有肺脏或血管癌症的病人造成危害。在这项研究课题当中，王为炯炯教授的团队构建并飞行测试了一种计算机系统（AI）演算法，该演算法可以从一种来得安全的人脑显影类M-（伪连续动脉自旋上面医学影像光学，pCASL MRI）当中基本功能抽取有关病死当中侵害的数据。据认识，这是首次运用于深度自学演算法和无样品灌注MRI来识别因病死当中而损毁的脑脊液的跨平台、跨机构的系统性研究课题。该假设是一种很有无疑的原理，可以帮助药剂师制定病死当中的临床外科手术方案，并且是只不过无创的。在分析病死当中病人损毁脑脊液的飞行测试当中，该pCASL 深度自学假设在两个独立的数据集上均构建了92％的准确度。王为炯炯教授的团队，最主要在读芝加哥大学研究课题生杨林、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim芝加哥大学，与加州大学洛杉矶分校（UCLA） 和柏克莱加州大学（Stanford）的科学家协作进行时了这项研究课题。为了训练这一假设，研究课题人员运用于167个图像集，采集于加州大学洛杉矶分校的1.5Tesla和3.0Tesla斯柯达（Siemens）MRI 系统，受试者为137例缺血M-病死当中病人。经过训练的假设在12个图像集上进行时了独立验证，该图像集采集于柏克莱加州大学的1.5Tesla和3.0Tesla通用电气（GE） MRI系统。据认识，这项研究课题的一个显着亮点是，其假设被证明是在各不相同光学平台、各不相同医院、各不相同病人个体的情形依然是有效地的。整整，王为炯炯教授的团队计划进行时一项来得大规模的研究课题，以在来得多医疗机构当中分析该演算法，并将急性败血症病死当中的外科手术可视开拓到症状高烧后24小时以上。ROC 和 Precision-recall curve （PRC）显示深度自学（DL）比六种机器自学（ML）的原理来得准确。