机器学习与急性卒中影像学

背景：近年来，机器学习（ML）在提供神经影像学检查的自动化分析方面取得了显著成功，其作用在未来可能会进一步增强。因此，临床医生理解这些方法、熟练掌握解读 ML 结果的技能并学会如何评估算法性能至关重要。目的：概述 ML，介绍其在急性卒中影像学中的作用，讨论评估算法的方法，并对现有方法进行评估。方法：在本综述中，我们概述了医学影像分析中常用的 ML 技术以及评估性能的方法。随后我们检索了相关文献。于 2021 年 11 月在 Ovid Medline 和 PubMed 中进行了检索。纳入标准包括以英文发表的、报告在急性缺血性卒中或机械取栓术背景及应用中使用人工智能（AI）、机器学习或类似技术的研究。包含具有明确意义结果的图像级数据和合理 ML 方法的文章被纳入本次讨论。结果：许多关于急性卒中影像学的发表文献均使用了 ML 方法，包括大血管闭塞的检测、颅内出血的检测与定量以及梗死核心的检测。影像学输入包括平扫头部 CT、CT 血管造影和 MRI，表现出不同的性能水平。我们讨论并回顾了几篇最相关的文献。结论：ML 在急性缺血性卒中影像学中已取得巨大进展。进一步的应用以及与临床诊疗的更深入整合不可避免。因此，熟练掌握这些方法对于神经介入临床医生至关重要。