深度学习是人工智能的一种。在医学领域，它可以准确地使用CT扫描图像来发现脑动脉阻塞。由于这种阻塞占中风的很大一部分，因此深度学习的使用将有助于帮助医生更快地诊断和治疗中风患者。研究人员的目标是尽可能减少诊断时间，因为尽早治疗这种阻塞是必不可少的。研究项目负责人Matthew Stib是位于罗德岛普罗维登斯的布朗大学沃伦·艾伯特医学院放射科的住院医生。他说：“对于这种对时间敏感的诊断，几分钟很重要。我们将（治疗）时间减少了1分钟，而无障碍患者的生命将延长1周。” CT血管造影扫描可用于检测这些。标准的阻止方法可以在几分钟内完成。但是通常，只有受过训练的放射科医生才能识别出阻塞物，并且当医院繁忙或没有住院医生时，可能会浪费宝贵的时间。为了减少治疗这些患者的时间，Stib及其同事与布朗大学的计算机科学系合作开发了一种开源深度学习算法系统，该系统可以评估CT图像并识别大血管阻塞。研究人员首先用数百张疑似中风患者的CT图像对系统进行了培训，然后对62位患者进行了测试模拟，以查看该系统是否可以正确识别出患有动脉阻塞的患者。据了解，他们还同时使用了单相和多相CT血管造影技术，以确定哪种技术与深度学习系统结合可以提供更好的结果。多相CT血管造影可以在扫描过程中的多个时间点拍摄图像，因此与单相CT血管造影相比，它可以提供更详细的图像，而单相CT血管造影只需一个时间点。在分析单相图像时，上述深度学习系统在识别大血管阻塞中的准确性仅为中等。但是，使用多相图像时，尽管将阴性对照组中的几个人（31名患者中的7名）错误地归类为有梗阻，但准确性将得到显着提高，并且可以成功地100％识别出梗阻。斯蒂布说：“这些结果非常好。实际上，我们希望优化模型的敏感性，以确保我们能够找到每一个阳性患者，因为丢失一个阳性患者将带来非常可怕的后果。他指出，在评估CT血管造影图像之前还使用了深度学习，但这是第一次将深度学习系统用于评估多相CT图像。据他所知，这次使用的算法也是第一个开放源代码，这意味着其他研究人员也可以根据需要使用和开发该系统。将来，研究团队计划进一步验证该系统。他们将在自己的医院进行测试，以查看该系统在紧急情况下以及有大量患者群体时是否可以达到相同的准确性。如果可以保持系统的准确性，则可以将该系统扩展到其他医院和诊所，以帮助快速诊断疑似中风的患者。 Stib解释说：“该算法不会替代放射科医生的功能，而只是试图加快诊断时间...如果放射科医生不在身边或工作流程太大，则患者的检查结果无法及时处理，则会出现警报。有人应该跟进可能出现的阻塞。”他说：“我认为放射科医生将来需要接受这项新技术，并认识到这项新技术在提高效率和准确性方面的潜在附加值。”主管编辑AJX