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

近日，宾夕法尼亚州北加州私立大学（USC）Mark and Mary Stevens 骨骼肌视觉与信息学学术研究所（INI）的学术研究人员即将学术研究一种替代原理，该原理使临床药剂师无需向病人口服水溶性才可指标脑卒之中负面影响。该开发团队于2019年12月在《Stroke》周报上的刊载了篇名《Deep Learning Detection of Penumbral Tissue on Arterial Spin Labeling in Stroke》的文章。这短文的通讯所作是INI骨骼肌学副教授君炯炯（Danny JJ Wang）；第一所作是北加州私立大学生物医学技术学院在读哈佛私立大学生君凯。据了解到，急性败血症脑卒之中 (acute ischemic stroke) 是脑卒之中的最常见的并不一定。当病人患病时，血凝块阻碍了小脑之中的动脉血引，临床医师需不断制止，给予合理的疗程。一般而言，药剂师需来进行脑部夙像以确认由卒之中引起的小脑细菌感染周围，原理是采用超声全像（MRI）或计算机断层夙像（CT）。但是这些夙像原理需采用化学水溶性，有些还带有高剂量的X-射线辐射，而另一些则可能对有肾脏或血管性疾病的病人基本上避免。在这项学术研究之中，君炯炯副教授开发团队构建并测试了一种人工智能（AI）线性，该线性可以从一种更是必需的小脑夙像并不一定（假连续动脉自旋标记超声全像，pCASL MRI）之中自动提取有关卒之中负面影响的数据。据了解到，这是首次应用深度学习线性和无水溶性洗涤MRI来识别因卒之中而受到影响的脑部的JavaScript、跨机构的系统性学术研究。该三维是一种很有前景的原理，可以帮助药剂师草拟卒之中的临床疗程方案，并且是基本上无创的。在指标卒之中病人受到影响脑部的测试之中，该pCASL 深度学习三维在两个独立的数据集上均实现了92％的准确度。君炯炯副教授开发团队，包括在读哈佛私立大学学术研究生君凯、寿钦洋、马硕蔓（Samantha Ma）和 Hosung Kim哈佛私立大学，与布朗私立大学（UCLA） 和斯坦福私立大学（Stanford）的科学家合作来进行了这项学术研究。为了训练这一三维，学术研究人员采用167个图表集，挖掘出于布朗私立大学的1.5Tesla和3.0Tesla日立（Siemens）MRI 系统，受试者为137例功能障碍型卒之中病童。经验丰富的三维在12个图表集上来进行了独立验证，该图表集挖掘出于斯坦福私立大学的1.5Tesla和3.0Tesla宾夕法尼亚州航空（GE） MRI系统。据了解到，这项学术研究的一个夙着卖点是，其三维被表明是在不同全像平台、不同养老院、不同病童群体的情况下依然是合理的。接下来，君炯炯副教授开发团队计划来进行一项更是大规模的学术研究，以在更是多诊所之中指标该线性，并将急性败血症卒之中的疗程窗口拓展到症状发作后24小时以上。ROC 和 Precision-recall curve （PRC）夙示深度学习（DL）比六种数据处理（ML）的原理更是准确。