相关实验视频
Updated: Sep 17, 2025
06:07
Modeling Stroke in Mice: Focal Cortical Lesions by Photothrombosis
Published on: May 6, 2021
6.7K
超越再通道:基于机器学习的洞察力,对中风患者中风后血管形态的洞察力
Aditi Deshpande1, Kaveh Laksari1, Pouya Tahsili-Fahadan1
1From the Department of Mechanical Engineering, University of California, Riverside, CA, USA (A.D., K.L.), Department of Vascular Neurology and Neurocritical Care, Inova Neuroscience and Spine Institute, Inova Fairfax Medical Campus, Falls Church, VA, USA (P.T.F.), Stroke Branch, National Institute of Neurological Disorders and Stroke, Bethesda, MD, USA (M.L, L.L.L).
AJNR. American journal of neuroradiology
|July 3, 2025
概括
在中风内血管治疗 (EVT) 后对血管变化的机器学习分析可以识别 perfusion 缺陷. 在脑卒中患者中,EVT后更大的动脉生长预测了更好的早期神经改善 (ENI).
科学领域:
- 神经学 神经学
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 尽管内血管治疗 (EVT) 成功,但许多中风患者经历了糟糕的结果.
- 确定EVT后的残留宏血管输液缺陷对于改善患者的治疗结果至关重要.
- 机器学习 (ML) 提供了一种新的方法来分析复杂的血管变化.
研究的目的:
- 调查基于ML的血管变化分析对MRA在EVT后在识别 perfusion 缺陷时的有用性.
- 为了将ML提取的血管特征与大血管封闭 (LVO) 卒中患者的早期神经改善 (ENI) 相关联.
- 探索ML在指导中风患者辅助疗法的潜力.
主要方法:
- 44名前部循环LVO中风患者的回顾性分析和成功的再通道化 (mTICI 2b/3).
- 一个ML算法从EVT前和24小时后的MRA中提取了血管特征,专注于ipsilateral动脉分支长度增加.
- 使用PWI,MTT或远端血栓存在来评估输液缺陷;ENI被定义为24小时内NIHSS得分显著下降.
主要成果:
- ML分析显示,远端血块患者的动脉长度增加明显较小 (51%对134%,p=0.05).
- 与没有ENI的患者相比,获得ENI的患者表现出较大的ipsilateral动脉分支长度增加 (161%对67%,p=0.023).
- 在71%的研究患者中,实现了完整的再输血.
结论:
- 在EVT后的MRA基于ML的血管分析可以有效地识别宏血管输液缺陷.
- 通过ML识别的EVT后动脉长度增加是中风患者早期神经改善的重要预测因素.
- 这种方法可能有助于定制辅助疗法,以优化LVO中风EVT后的结果.
