编辑:介入神经放射学人工智能的应用

介绍

作为编辑的研究课题,它是我们的荣幸地介绍新颖的应用程序中发现和新成就介入神经放射学的人工智能(AI)。脑血管疾病正成为一个日益重要的死亡原因和干预治疗已成为主流治疗这种疾病。然而,有一个需要评估血管内治疗的疗效和安全性。近年来,人工智能技术的发展迅速,已经显示出巨大的希望在解决复杂的问题。它还具有强大的潜力提高脑血管介入治疗的临床应用。

这个研究课题包括10篇论文,包括七个原始研究的文章中,一个系统回顾,一个迷你回顾,一个评论。这篇社论的目的是总结的主要结论和观点的接受的文章。

在实践中应用人工智能技术的基本工作是设计和建立数据库。所以,你等。介绍了协议构建多中心基于IAs的CTA图像数据库。这个协议描述了如何收集研究数据,进行动脉瘤分割和注释。本研究是建立一个大型数据库的范式对人工智能。

类似的研究已经完成之前(1)。从这些研究我们知道的人工智能模型的数据库可以直接提高模型的性能。

统计回归模型相比,机器学习(ML)模型,它是人工智能技术的一部分,可以识别不直观模式变量可能错过了统计测试。血管内治疗策略可以优化采用ML模型预测治疗的结果。

然而,临床医生缺乏处理毫升数据科学的技能,这阻碍发展的模型。或者等。设计了三种模型预测IAs血管内治疗的结果。他们创造了一个自动化机器学习(AutoML)派生模型显示出更好的性能比手动训练毫升和统计模型。AutoML模型的优点是简化的过程建立一个毫升模型不依赖专家。因此,没有专业知识的人可以使用的人工智能。然而,这些研究有几个局限性。例如,他们没有评估各种算法所评论的校准Huber et al。

临床结果的评估是至关重要的对急性缺血性中风(AIS)的病人。雅等。干预前建造毫升模型预测的90天一分为二改良Rankin规模(夫人- 90)得分AIS病人血栓切除术,使用临床和放射学信息提取CTA和CTA e-stroke软件。作者用各种ML算法包括k最近的邻居,随机森林(RF),梯度增加(GB)和极端梯度增加(XGBoost)和发现XGBoost表现最好的分类器。

虽然血管内治疗已成为治疗IAs支柱,其相关并发症不应该被忽略。临床医生应该平衡血管内治疗和并发症的风险IAs破裂的风险。田等。建造几毫升预测模型来研究血管内手术并发症IAs ANN模型,发现有最好的表现。在这项研究中,443名患者,三个最重要的特征是远端动脉瘤,动脉瘤大小、和治疗模式由定形的添加剂(世鹏科技电子)和解释功能重要性的分析。

管道栓塞设备(PED)是最常用的治疗IAs流分流服务。后支架内狭窄(ISS)是一种常见的并发症PED位置和可能影响长期预后。魏et al。建立毫升预测模型使用临床、实验室和成像数据来自435名患者。他们比较5 ML算法包括弹性网络的预测性能(ENT),支持向量机,XGBoost,高斯朴素贝叶斯和随机森林。通过世鹏科技电子分析,他们发现颈内动脉位置是最重要的预测因子。

值得注意的是,人工智能预测模型不能完全覆盖传统的统计模型,因为数据和技术的局限性。AI和医学图像处理技术的不断进步,预计将提供多维信息的精确的人工智能预测模型将建。举行了类似的意见曾庆红et al。在他们的系统回顾,他们招募了16篇文章,包括19毫升和DL模型预测预后的中风患者大血管闭塞(LVO)。他们发现人工智能没有显示一个总体优于现有的预后评分。因此,毫升和DL方法是否能改善中风的预测结果在LVO仍然需要进一步澄清。Marasini et al。综述了人工智能方法应用于IAs检测、IAs筛查、IAs破裂预测,IAs临床决策支持和工作流IAs的增强。他们报告说,人工智能可以处理大量的变量并确定它们之间的非线性关系。然而,尽管在人工智能领域的重大进展,其应用在许多领域,尤其是在非图像数据在基础阶段。因此,还需要进一步的研究来改善预测性能的AI周期性血管内治疗相关的并发症。

作者的贡献

YJ和杰写的原稿。YL和YZ审查和编辑的手稿。所有作者的文章和批准提交的版本。

确认

我们要感谢所有作者的研究课题有价值的贡献。我们还要感谢编辑部的神经学前沿的支持。雷竞技rebat

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用