（文章來源：教育新聞網(wǎng)）
最近發(fā)表的系統(tǒng)評價顯示，主要醫(yī)療中心正在迅速使用人工智能(AI)來識別大血管閉塞(LVO)和診斷中風。盡管AI有可能加快治療速度并解決許多患者的關鍵時間延遲問題，但作者Nick Murray(美國斯坦福大學)和同事們承認，該軟件很復雜，不同軟件的性能差異很大。人工智能產(chǎn)品。研究小組指出，在比較AI軟件的隨機對照試驗“很少”的情況下，為了使該領域能夠充分利用AI算法的利益，未來的研究應標準化驗證和比較方法。
斯坦福大學和約翰·霍普金斯(美國巴爾的摩)的團隊描述了應用于中風的AI和機器學習(ML)的基礎知識：“ ML是與AI相關的研究領域，為發(fā)現(xiàn)和制定決策規(guī)則提供了工具從數(shù)據(jù)。對于中風，任何AI或ML算法的主要目標都是從3D斷層圖像中可靠地識別出特征(例如LVO)的存在與否。”
默里在接受NeuroNews采訪時說，使用AI的中風診斷軟件的好處是“無數(shù)的”。這些措施包括：“更快的中風診斷，更快的中風治療[以及]何時以及如何治療中風的更好決策?！笨傮w而言，Murray說，“這減少了腦細胞的丟失，這可能是恢復獨立功能與減少腦功能的區(qū)別。工作，并陷入癱瘓?！?/p>
在發(fā)表于《神經(jīng)介入外科雜志》上的手稿中，作者支持以下共識：人工智能工具可以緩解即時標準化的對時間敏感的中風檢測和分類的“未滿足”需求。他們概述了臨床醫(yī)生如何實時使用AI來改善圖像的解釋。他們寫道：“這種理解對于對使用AI軟件的中風患者的掃描進行明智的解釋是必要的，”
該團隊通過描述當前文獻和最近才向臨床醫(yī)生提供的ML診斷技術，回顧了缺血性卒中診斷中AI的當前狀況。根據(jù)PRISMA指南，他們使用PubMed，Medline和Embase進行了審查，總共提取了20項符合標準的研究。
盡管如此，在10篇使用RFL的研究中，作者報告說：“ AI的性能通常優(yōu)于單一放射線醫(yī)師ASPECTS，并且不遜于甚至優(yōu)于共識的ASPECTS。”他們還承認，iSchemaView的RAPID CT和MR具有最高的AI準確度指標，有些數(shù)據(jù)集顯示100%的靈敏度可預測有利的灌注失配。
根據(jù)研究小組的說法，利用AI算法進行急性預后的一個優(yōu)勢是，它們有助于立即進行治療計劃。是否提供IV tPA或血管內治療，或近期結果預測，例如顱內出血。作者指出，Viz.ai軟件是當前可用的唯一可自動檢測血管阻塞然后通過應用程序警告中風團隊的軟件。然后，醫(yī)生可以啟動直升機運輸，將患者直接帶到能夠進行血栓切除術的醫(yī)院。根據(jù)Murray等人的說法，迄今為止，Viz.ai的軟件已在多家醫(yī)院得到驗證。
作者還解釋說，某些版本的AI具有很好的預測能力，可以幫助解釋傳統(tǒng)的中風成像結果。因此，AI可以減少圖像解釋中的假陰性人為錯誤，進而提高中風分類的效率，并最大程度地降低發(fā)病率和死亡率。
但是，Murray及其同事堅持認為，“尚未完善AI對急性中風的診斷”，并且仍然存在錯誤。他們提到經(jīng)過同行評審的文獻，這些文獻報告了AI算法的平均靈敏度指標為68%，“這表明AI算法可能會丟失多達三分之一的成像輸出結果”。在這種情況下，研究人員提出了AI失敗的原因：“放射成像掃描異常來自先前存在的中樞神經(jīng)損傷，造影劑不足，無法校正患者的運動以及曲折的血管，無法評估造影劑?！币虼?，具有最高性能和自動化功能的軟件必不可少。
此外，該團隊寫道，“由于一些AI算法報告的特異性較低，因此由醫(yī)生嚴格審查放射圖像仍然很重要”。盡管LVO檢測方法旨在提高陽性檢測率，但“將注意到醫(yī)生負擔增加的包含假陽性掃描次數(shù)的負擔”。為了適應AI的這些進步，用于LVO診斷的驗證研究正在迅速發(fā)展。盡管如此，研究人員堅持認為，“迫切需要對“基本事實”有一個清晰的定義，以對其進行一致的評估?！彼麄儚娬{：“擁有一套一致的指標對于改善急性卒中護理中的AI至關重要?！?br /> ? ? ? ?
下載文檔
