Stroke：机器学习yyds，能准确识别卒中患者大血管闭塞情况！

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。 专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能核心，是使计算机具有智能的根本途径。

"移动卒中单元"（MSU）是针对急性缺血性脑卒中（AIS）的一种新的规范诊疗模式，以救护车为载体，装配小型移动CT、相关检验设备、监测设备及信息化支持系统，将AIS的检查、CT诊断、溶栓治疗、监测融为一体，以挽救脑损害，赢得救治"黄金时间"。

目前的研究已经表明，MSU的院前自动大血管闭塞（LVO）检测可以加速识别和治疗有LVO的急性缺血性卒中患者。在此，来自UTHealth麦戈文医学院神经病学系的专家评估了一个机器学习（ML）模型在从2个MSU获得的CT血管成像（CTA）上检测LVO的性能。结果发表在Stroke杂志上。

研究人员确定了在休斯顿和洛杉矶的MSU评估的院外CTA的患者。前循环LVO被定义为颅内颈内动脉、大脑中动脉（M1或M2）或大脑前动脉血管的闭塞，并由人类专家读者确定。在由院内CTA组成的独立数据集上训练和测试了检测LVO的ML模型，然后在MSU CTA图像上测试。使用接收者曲线下的面积统计来确定模型的性能。

结果显示，在68名院外MSU CTA的患者中，40%有LVO。最常见的闭塞位置是大脑中动脉M1段（59%），其次是颈内动脉（30%），以及大脑中动脉M2（11%）。从发病到CTA成像的中位时间为88.0（IQR：59.5-196.0）分钟。

在对870张院内CTA进行训练后，ML模型在识别441张图像的单独院内数据集中表现良好，接收器操作曲线下面积为0.84（95%CI，0.80-0.87）。ML算法的分析时间低于1分钟。ML模型在MSU CTA图像上的表现相当，AUC曲线下面积为0.80（95% CI，0.71-0.89）。

综上，在这项对2个城市的MSU评估患者的研究中，一个ML算法能够利用院前CTA采集准确而快速地检测出LVO。

参考文献：

Machine Learning Automated Detection of Large Vessel Occlusion From Mobile Stroke Unit Computed Tomography Angiography. Stroke. 2021;0:STROKEAHA.121.036091. https://doi.org/10.1161/STROKEAHA.121.036091