人工智能在缺血性脑卒中影像的分类研究.pdfVIP

中文科技期刊数据库（全文版）医药卫生 人工智能在缺血性脑卒中影像的分类研究 郭丰沛 马子如 王泽坤 王梓霖 宋飞飞（通讯作者） 南京医科大学康达学院，江苏 连云港 222000 摘要：脑卒中具有发病率高、致残率高、死亡率高和复发率高的特点。随着中国现代化的发展，生活压力的加大， 脑卒中的死亡率呈现年轻化倾向，仍是我国面临的重要问题。所以为了降低死亡率，需要对脑卒中进行积极深入 的研究。在诊断脑卒中类型方面，人工智能是新兴热点，具有广阔的应用前景。若能将其应用于临床诊断，对提 高治愈率、降低死亡率大有裨益，能达到促进人类健康的目的。 关键词：脑卒中；人工智能；影像 中图分类号：R496 0 引言 习两种。 在人为定义特征的影像组学方法中，特征工程分3 全世界每4 个人中就有1 个人会发生脑卒中，每6 个阶段，分别是特征提取、特征分析和特征选择。特 秒钟就有 1 个人死于脑卒中，脑卒中是全球人口死亡 征决定了模型泛化能力的上限，特征分析和特征选择 的第二位原因，致残的第三位原因。其中，缺血性脑 在影像组学的分析中扮演十分重要的角色，常用的算 卒中是脑卒中的最常见类型，占60%-70%，全球年发病 法有相关系数法、最小绝对收缩与选择算子（least [1] 人数高达 1200 万 ，我国发病率居世界首位，年发病 absolute shrinkage and selection operator，LASSO） [2] 人数达383 万 ，世界卫生组织MONICA 研究显示，中 回归、主成分分析（principal component analysis， [3] 国脑卒中发病率正以每年 8.7%的速度上升 ，可见其 PCA）等。 对人类健康的危害之大、影响之深。时间就是生命， 深度学习一般不需要人工提取特征，而是从医学 如何快速判断脑卒中的类型，进而确定下一步治疗方 影像中自主的获取大量信息，这一点与人工提取影像 案的需求已经十分迫切。本文主要介绍人工智能在缺 组学特征不同。深度学习会使所得到的图像特征更具 血性脑卒中影像中的分类研究。 指向性，同时可以减少由于特征运算带来的附加错误。 1 人工智能在影像组学中的应用 深度学习模型可以提取到一些人类不易察觉的特征， 人工智能算法种类繁多，主要核心算法包括线性 这些特征可能对结果的判定有着较大的贡献。 回归（Linear Regression）、支持向量机(Support 目前，人工智能在医学影像组学的应用主要在医 [8] Vector Machine,SVM) 、 逻 辑 回 归 (Logistic 学图像分割、医学图像分类和病灶识别方面 ：较