使用脑血管形态学和机器学习进行端到端的中风分类
Aditi Deshpande1,2, Jordan Elliott1, Bin Jiang3
1Department of Biomedical Engineering, University of Arizona, Tucson, AZ, United States.
Frontiers in neurology
|November 9, 2023
概括
这项研究引入了一种人工智能模型,用于快速急性缺血性中风分类. 机器学习方法准确地检测中风,评估附带循环,并使用脑血管成像功能预测患者的结果.
科学领域:
- 医疗成像中的人工智能
- 机器学习用于神经诊断的神经学诊断.
- 脑血管疾病研究研究
背景情况:
- 对急性缺血性中风 (AIS) 进行准确的分类对于及时恢复血管和更好的患者结果至关重要.
- 个体的大脑血管解剖学显著影响对再注射疗法的反应.
- 目前的方法往往缺乏自动化和血管特征的全面分析.
研究的目的:
- 开发一个端到端的机器学习方法,用于自动冲击分类.
- 为了自动提取脑血管特征以检测阻塞和评估附带循环.
- 用提取的血管和临床数据来预测90天的功能结果.
主要方法:
- 利用卷积神经网络 (CNN) 来从非侵入性血管学中进行脑血管细分.
- 开发了用于自动检测阻塞存在,部位和附带循环分级的算法.
- 集成的脑血管特征与临床和成像数据进行结果预测.
主要成果:
- 美国有线电视新闻网的细分实现了94%的准确率 (迪斯相似系数).
- 自动中风检测显示了92%的灵敏度和94%的特异性.
- 阻塞部位检测和附带分级分别达到96%和87.2%的准确性.
- 随着自动化脑血管特征的纳入,结果预测准确性从0.63提高到0.83.
结论:
- 展示的AI模型提供快速,自动化和全面的中风诊断.
- 它有助于评估附带担保,并增强治疗决策的预测.
- 利用脑血管形态学可以提高中风分类和预测结果的准确性.
