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

近日，美国加州所学校（USC）Mark and Mary Stevens 神经影象与信息学数据分析所（INI）的数据分析管理人员正在数据分析一种替代步骤，该步骤使临床研究心理医生不必向病患注射水溶性即可风险评估脑病卒之中伤害。该制作团队于2019年12月在《Stroke》月刊上的发表了题为《Deep Learning Detection of Penumbral Tissue on Arterial Spin Labeling in Stroke》的文章。这一段话的通讯所作是INI神经学家大学教授君炯炯（Danny JJ Wang）；第一所作是加州所学校生物科学工程系在读博士生君凯。据明白，急性诱发脑病卒之中 (acute ischemic stroke) 是脑病卒之中的最常见的种类。当病患肺癌时，血凝块阻碍了神经之中的动脉血流过，临床研究医师需要急剧施加压力，给予必需的用药。通常，心理医生需要展开脑读取以证实由病卒之中招致的神经损伤范围，步骤是用于MRI成像（MRI）或计算机断层读取（CT）。但是这些读取步骤需要用于化学水溶性，有些还含有高低剂量的X-辐射辐射，而另一些则有可能对有肾脏或血管壁癌症的病患造成危害。在这项数据分析之中，君炯炯大学教授制作团队构建并试验了一种人工智能（AI）搜索算法，该搜索算法可以从一种愈来愈安全的神经读取种类（伪连续动脉自旋标记MRI成像，pCASL MRI）之中自动所含有关病卒之中伤害的数据。据明白，这是首次应用深达努力学习搜索算法和无水溶性去除MRI来识别因病卒之中而受损的脑的跨越平台、跨越部门的控制系统性数据分析。该框架是一种很有前景的步骤，可以帮助心理医生实施病卒之中的临床研究用药方案，并且是完全无创的。在风险评估病卒之中病患受损脑的试验之中，该pCASL 深达努力学习框架在两个独立的数据集上均实现了92％的可靠度。君炯炯大学教授制作团队，以外在读博士数据分析生君凯、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim博士，与加州所学校洛杉矶分校（UCLA） 和斯坦福所学校（Stanford）的地质学家共同开发展开了这项数据分析。为了操练这一框架，数据分析管理人员用于167个图象集，挖掘出于加州所学校洛杉矶分校的1.5Tesla和3.0Tesla西门子（Siemens）MRI 控制系统，患者为137实有缺血型病卒之中病患。经过操练的框架在12个图象集上展开了独立必需性，该图象集挖掘出于斯坦福所学校的1.5Tesla和3.0Tesla通用电气（GE） MRI控制系统。据明白，这项数据分析的一个孝着亮点是，其框架被证明是在相同成像平台、相同医务人员、相同病患群体的但会依然是必需的。接下来，君炯炯大学教授制作团队计划展开一项愈来愈大规模的数据分析，以在愈来愈多医务管理人员之中风险评估该搜索算法，并将急性诱发病卒之中的用药窗口拓展到症状癫痫后24足足以上。ROC 和 Precision-recall curve （PRC）标示出深达努力学习（DL）比六种自然语言处理（ML）的步骤愈来愈可靠。