医疗中心正在迅速使用人工智能来识别大血管闭

最近发表的系统评价显示，主要医疗中心正在迅速使用人工智能(AI)来识别大血管闭塞(LVO)和诊断中风。尽管AI有可能加快治疗速度并解决许多患者的关键时间延迟问题，但作者Nick Murray(美国斯坦福大学)和同事们承认，该软件很复杂，不同软件的性能差异很大。人工智能产品。研究小组指出，在比较AI软件的随机对照试验“很少”的情况下，为了使该领域能够充分利用AI算法的利益，未来的研究应标准化验证和比较方法。

斯坦福大学和约翰·霍普金斯(美国巴尔的摩)的团队描述了应用于中风的AI和机器学习(ML)的基础知识：“ ML是与AI相关的研究领域，为发现和制定决策规则提供了工具从数据。对于中风，任何AI或ML算法的主要目标都是从3D断层图像中可靠地识别出特征(例如LVO)的存在与否。”

默里在接受NeuroNews采访时说，使用AI的中风诊断软件的好处是“无数的”。这些措施包括：“更快的中风诊断，更快的中风治疗[以及]何时以及如何治疗中风的更好决策。”总体而言，Murray说，“这减少了脑细胞的丢失，这可能是恢复独立功能与减少脑功能的区别。工作，并陷入瘫痪。”

在发表于《神经介入外科杂志》上的手稿中，作者支持以下共识：人工智能工具可以缓解即时标准化的对时间敏感的中风检测和分类的“未满足”需求。他们概述了临床医生如何实时使用AI来改善图像的解释。他们写道：“这种理解对于对使用AI软件的中风患者的扫描进行明智的解释是必要的，”

该团队通过描述当前文献和最近才向临床医生提供的ML诊断技术，回顾了缺血性卒中诊断中AI的当前状况。根据PRISMA指南，他们使用PubMed，Medline和Embase进行了审查，总共提取了20项符合标准的研究。

研究小组发现，AI在急性LVO中风诊断和分类中的使用可分为三类：自动中风核心和半影大小和失配量化，检测导致中风的血管血栓或阻塞以及预测急性并发症。具体来说，Murray及其同事写道，引起艾伯塔省卒中计划早期CT评分(ASPECTS)的ML算法最常采用随机森林学习(RFL)分类器，而LVO检测通常使用卷积神经网络(CNN)。他们发现，与CNL相比，CNN的平均图像特征检测具有更高的灵敏度(分别为85%和68%)，并且某些软件的灵敏度明显更高。

尽管如此，在10篇使用RFL的研究中，作者报告说：“ AI的性能通常优于单一放射线医师ASPECTS，并且不逊于甚至优于共识的ASPECTS。”他们还承认，iSchemaView的RAPID CT和MR具有最高的AI准确度指标，有些数据集显示100%的灵敏度可预测有利的灌注失配。

根据研究小组的说法，利用AI算法进行急性预后的一个优势是，它们有助于立即进行治疗计划。是否提供IV tPA或血管内治疗，或近期结果预测，例如颅内出血。作者指出，Viz.ai软件是当前可用的唯一可自动检测血管阻塞然后通过应用程序警告中风团队的软件。然后，医生可以启动直升机运输，将患者直接带到能够进行血栓切除术的医院。根据Murray等人的说法，迄今为止，Viz.ai的软件已在多家医院得到验证。

作者还解释说，某些版本的AI具有很好的预测能力，可以帮助解释传统的中风成像结果。因此，AI可以减少图像解释中的假阴性人为错误，进而提高中风分类的效率，并最大程度地降低发病率和死亡率。

但是，Murray及其同事坚持认为，“尚未完善AI对急性中风的诊断”，并且仍然存在错误。他们提到经过同行评审的文献，这些文献报告了AI算法的平均灵敏度指标为68%，“这表明AI算法可能会丢失多达三分之一的成像输出结果”。在这种情况下，研究人员提出了AI失败的原因：“放射成像扫描异常来自先前存在的中枢神经损伤，造影剂不足，无法校正患者的运动以及曲折的血管，无法评估造影剂。”因此，具有最高性能和自动化功能的软件必不可少。

此外，该团队写道，“由于一些AI算法报告的特异性较低，因此由医生严格审查放射图像仍然很重要”。作者还认为，尽管LVO检测方法旨在提高阳性检测率，但“将注意到医生负担增加的包含假阳性扫描次数的负担”。

为了适应AI的这些进步，用于LVO诊断的验证研究正在迅速发展。尽管如此，研究人员坚持认为，“迫切需要对“基本事实”有一个清晰的定义，以对其进行一致的评估。”他们强调：“拥有一套一致的指标对于改善急性卒中护理中的AI至关重要。”