XiaoMi-AI文件搜索系统
World File Search Systemischemic
基于机器学习的急性缺血性卒中患者接受茶碱辅助溶栓治疗的脑组织梗塞预测：随机临床试验亚组分析
血管活性药物茶碱在动物中风模型中表现出良好的神经保护作用，可减少脑组织水肿、脑损伤和死亡率（1-3），但之前的随机临床试验中的结果存在争议（4、5）。急性缺血性中风试验旨在克服之前试验的局限性，即缺乏急性缺血性中风验证、缺乏血运重建治疗和干预延迟（6）。总共 64 例经 MRI 证实的急性缺血性中风患者被随机分配接受单次 220 毫克茶碱或安慰剂输注，作为溶栓疗法的辅助治疗。共同主要终点是早期临床改善，定义为从基线到 24 小时随访时 NIHSS 评分的变化。茶碱组改善了 4.7 分（标准差 [SD] 5.6），而单纯溶栓治疗组改善了 1.3 分（SD 7.5）（p=0.04）（7）。共同主要终点是 24 小时随访时梗塞生长，茶碱组为 141.6%（SD 126.5），对照组为 104.1%（SD 62.5）（p=0.15）。虽然单独的临床终点可以显示出统计学上显著的早期改善，但由于有两个主要终点，经过多重检验校正后被认为不具有统计学意义。关于成像终点，比较两个样本量较小且中风病变体积差异较大的独立组可能会阻止检测到茶碱的微小影响。因此，预先计划了一种预测后续病变的机器学习方法作为亚组分析。该方法的基本思想是基于在急性期获取的逐体素图像数据和已知的后续病变信息来训练两个机器学习模型。因此，可以为每位患者量化两个预测的后续病变体积，一个病变结果用于茶碱虚拟治疗，一个病变用于安慰剂虚拟治疗，这实际上使可用于统计检验的结果测量值增加了一倍。本研究的目的是利用这种预测模型方法来比较接受茶碱和安慰剂作为溶栓疗法辅助治疗的患者的后续病变体积，以调查茶碱在个别患者中是否存在细微的治疗效果，而在比较小组中的病变体积时这种效果并不明显。
基于磁共振成像的深度学习成像生物标志物，用于预测急性缺血性中风后的功能结果
目的：临床风险评分对于预测中风患者的预后至关重要。深度学习 (DL) 技术的进步为使用磁共振 (MR) 图像开发预测应用程序提供了机会。我们旨在开发一种基于 MR 的 DL 成像生物标志物，用于预测急性缺血性中风 (AIS) 的预后，并评估其对当前风险评分的额外益处。方法：本研究包括 3338 名 AIS 患者。我们使用深度神经网络架构在 MR 图像和放射组学上训练了一个 DL 模型，以预测中风后三个月的不良功能结果。DL 模型生成了一个 DL 分数，作为 DL 成像生物标志物。我们将该生物标志物的预测性能与保留测试集上的五个风险评分进行了比较。此外，我们评估了将影像生物标志物纳入风险评分是否能提高预测性能。结果：DL 影像生物标志物的受试者工作特征曲线下面积 (AUC) 为 0.788。所研究的五个风险评分的 AUC 分别为 0.789、0.793、0.804、0.810 和 0.826。影像生物标志物的预测性能与四个风险评分相当，但不如一个 (p = 0.038)。将影像生物标志物添加到风险评分中，AUC（p 值）分别提高至 0.831 (0.003)、0.825 (0.001)、0.834 (0.003)、0.836 (0.003) 和 0.839 (0.177)。净重新分类改进和综合判别改进指数也显示出显着改善（所有 p < 0.001）。结论：使用 DL 技术创建基于 MR 的影像生物标志物是可行的，并提高了当前风险评分的预测能力。
静脉溶栓后，通过机器学习预测与急性缺血性中风相关的糖尿病的结果
本队列研究旨在利用机器学习技术评估急性缺血性卒中 (AIS) 合并糖尿病患者静脉溶栓后的预后结果。分析使用来自沈阳市第一人民医院的数据进行，涉及 2018 年 1 月至 2023 年 12 月接受溶栓治疗的 3,478 名患有糖尿病的 AIS 患者，最终在筛选后关注 1,314 名患者。测量的主要结果为 90 天改良 Rankin 量表 (MRS)。采用 80/20 的训练测试分割进行模型开发和验证，采用各种机器学习分类器，包括人工神经网络 (ANN)、随机森林 (RF)、XGBoost (XGB) 和 LASSO 回归。结果表明，XGB 模型的平均准确率为 0.7355 (±0.0307)，优于其他模型。溶栓后预后的关键预测因素包括美国国立卫生研究院卒中量表 (NIHSS) 和血小板计数。研究结果强调了机器学习算法（尤其是 XGB）在预测糖尿病 AIS 患者功能结果方面的有效性，为临床医生提供了有价值的治疗计划工具，并根据接收者操作特性 (ROC) 分析和准确性评估改善了患者结果预测。
使用来自日本的大规模现实世界数据的缺血性心脏病和中风预后模型的开发和验证
摘要背景：日本先前的心血管风险预测模型已使用了带有简洁数据的前瞻性队列研究。随着包括健康检查记录和行政索赔在内的健康信息已成为数字化并公开可用，基于此类现实世界数据的大型数据集可以实现预测准确性，并支持预防和临床实践中心血管疾病风险预测模型的社会实施。在这项研究中，探索了经典的回归和机器学习方法，以开发缺血性心脏病（IHD）和使用现实世界数据的中风预后模型。方法：iQvia Japan声称数据库被搜索，其中包括691,160个人（主要是企业员工及其在二级和第三级行业工作的人），并在识别期（2013年4月至2013年12月至12月）中至少有一个年度健康检查记录。该研究的主要结果是第一个记录的IHD或中风事件。预测因素是指数年度的年度健康检查记录，包括人口统计学特征，实验室测试和问卷调查表。在本研究中评估了四个预测模型（Cox，Elnet-Cox，Xgboost和Ensember），以开发日本的心血管疾病风险预测模型。结果：分析队列由572,971个Inviduals组成。所有预测模型表现出类似的良好性能。Harrell的C-指数接近所有IHD模型，中风模型的C-索引均接近0.7。在IHD模型中，年龄，性别，高密度脂蛋白，低密度脂蛋白，胆固醇和收缩压具有更高的重要性，而在中风模型中，收缩压和年龄更高。结论：我们的研究分析了经典的回归和机器学习算法，以开发日本IHD和中风的心血管疾病风险预测模型，这些模型可用于以预测性准确性的大量人群中的实际使用。
易卜拉欣·穆罕默德·巴达马西（Ibrahim Mohammed Badamasi）。缺血性再灌注损伤的病理生理学和与草药改善脑损伤有关的分子靶标
抽象的简介和目标。已经报道了对草药（HM）进行中风治疗的许多临床前评估。目前的综述的目的是突出中风的病理生理，并回顾临时鉴定的HM治疗的分子机制。在Google Scholar上只能使用32篇文章，描述了中风动物模型以及人类临床试验的HM的治疗和机理过程，并在这项研究结果和讨论中进行了审查。subiptimal Na+/K+ ATPase泵的活性，小胶质细胞因子的作用增加了水平的细胞内粘附分子-1（ICAM-1），从而促进WBC渗出与基质金属蛋白酶（MMP）的相关性增加（MMP）活性的增加（Digest Basement-Membranes），解释说，Edema和Apoptimations/Appoptiss/Inflomm/Inflomm/Inflomptions。在受伤的神经元中的电导率改变，谷氨酸释放的补偿性增加，这淹没了调节性神经胶质谷氨酸转运蛋白1，从而使谷氨酸水平达到兴奋性毒素的伸向峰值，从而促进神经元死亡。NMDAR上的谷氨酸活性促进了导致凋亡的Ca2+的氧化应激，脂质过氧化和释放/流入。HM参与中风治疗的分子靶标可促进抗凋亡/抗炎症，抗氧化，血管生成，神经发生，抗凝/纤维蛋白溶解作用和最佳代谢。不同的HM促进了纤溶酶原活化剂，亚素氧酶1，中子1，脑衍生的神经性因子（BDNF）和有丝分裂原激活的蛋白激酶（MAPK）的活性。中风的病理生理学和HM对其进行改善的临床前靶标被鉴定出来，这可以作为研究有效治疗中风的有效治疗的重点。
在社区样本中，自我报告的嗜睡与大脑和皮质体积增大以及缺血性隐性脑梗塞患病率降低有关
据观察，自我报告的嗜睡是许多睡眠障碍和健康状况（如痴呆和中风）的结果。然而，当白天嗜睡与睡眠障碍、睡眠不足或疾病无关时，它与大脑衰老和缺血性损伤标志之间的关联仍不清楚。本文表明，在调整大量混杂因素（如睡眠障碍和习惯性睡眠模式、心血管风险因素和抑郁症）后，自我报告的白天嗜睡程度越高，大脑和皮质灰质总体积越大，出现隐性脑梗塞的风险就越低。我们的研究结果挑战了这样一种观点，即白天嗜睡是大脑健康状况较差的标志，除非它能用其他病理或睡眠障碍来解释。
血清心脏肌钙蛋白T的临床意义和诊断为急性缺血性卒中的患者的危险因素
目的：我们探讨了患有急性缺血性中风（AIS）患者血清心脏肌钙蛋白T（CTNT）水平增加的临床意义和相关危险因素。方法：我们的研究对象由在发病后48小时内入院的患者组成。这些研究参与者的CTNT水平分为两组：正常CTNT组和CTNT组升高。我们对一系列数据进行了统计分析，包括一般临床特征，病史，实验室测试结果，心电图，影像学扫描和医疗记录，例如美国国家健康研究所（NIHSS）的患者评分。结果：在被诊断为AIS的232名患者中，有84名患者（36.21％）表现出升高的CTNT水平。将CTNT队列与常规CTNT水平进行比较时，CTNT升高的人会年龄较大[中位年龄为76岁（四分位间范围：67至83），而四分之一年间范围为70年：61至79至79），p = 0.002]，p = 0.002]，与较高的NIHS相比，4.5（4.5）[8.5（4.5）（4.5）[8.5（4.5）[8.5（4.5）[8.5（ （四分位数范围：2至9），p = 0.002]。此外，升高的CTNT组患者中较大的患者均患有冠状动脉疾病（23.81％vs. 7.43％，P <0.001）和心脏不足（25.00％vs. 3.38％，P <0.001）作为合并症。同时，升高的CTNT组还显示出较高的心电图异常发生，包括束分支块（29.76％vs. 9.46％，p <0.001）和心房颤动（32.14％vs. 11.49％，p <0.001），相比之下。收集了患者的临床数据和相关实验室指标以进行危险因素分析，这表明捆绑分支块[优势比（OR）= 4.17，95％置信区间（95％CI）= 1.43–12.16），将10 N末端的Pro-Brain natriaretic natriuretic肽（log 10 Nt-probnp = 3.41）登录至基础。 1.62-7.16），胱抑素C（OR = 6.86，95％CI = 2.01–23.43）和中性粒细胞/淋巴细胞比率（OR = 1.13，95％CI = 1.02-1.25）是AIS患者中CTNT的独立风险因素。结论：CTNT较高水平的AIS患者表现出更严重的神经系统障碍和更多的合并症。此外，AIS患者的CTNT升高可能与心脏不足，肾功能变化和炎症迹象有关。
早期脑电图改变与 CTP 低灌注量和神经功能缺损相关：超急性缺血性中风的无线脑电图研究
摘要 — 急性缺血性卒中脑电活动与脑组织低灌注有关，是神经血管耦合的表现。EEG 可适用于紧急情况下的床边功能监测。我们旨在研究超急性缺血性卒中 EEG 变化（用床边无线 EEG 测量）与低灌注核心半暗影 CT 灌注 (CTP) 体积之间的关系。此外，我们还研究了 EEG 和 CTP 参数与 NIHSS 测量的神经功能缺损之间的关联。我们对 31 名在症状出现后 4.5 小时内登记的前部急性缺血性卒中患者的 EEG、CTP 和临床资料进行了分析和处理。结果表明，Delta/alpha 比率 (DAR)、(delta + theta)/ (alpha + beta) 比率 (DTABR) 和相对 delta 功率与总低灌注量呈正相关 (q = 0.72; 0.63; 0.65)，而 alpha 则与总低灌注量呈负相关 (q = 2 0.66)。DAR、DTBAR 和相对 delta 和 alpha 参数也与缺血核心体积相关 (q = 0.55; 0.50; 0.59; 2 0.51)。相同的 EEG 参数和 CTP 体积与入院时 NIHSS 呈显著关系。多元逐步回归显示，DAR 是入院时 NIHSS 的最强预测因子 (p < 0.001)。本研究结果表明，脑电图参数的超急性改变与低灌注组织的程度高度相关，突出了定量脑电图作为评估中风严重程度的补充工具的价值及其在急性缺血性中风监测中的潜在作用。
评估非对比度颅骨CT脑图像的超急性和急性缺血性卒中分类
应迅速接受患者。关于NCCT图像的另一个问题，强度的范围非常宽且稀疏。需要在适合分类器的合适范围内重新销售。在本文中，我们旨在找到合适的窗口设置，用于通过使用Inpection v3在没有CTP的情况下对NCCT图像中缺血性中风的超急性和急性相分类。数据集以轴向切片制备。每个载玻片分类为正常或病变。由于训练样本的限制，将转移学习用于模型的重量初始化。结果表明该模型可以在35时窗口级别表现良好，而窗口宽度为95，90.84％的精度。关键字超急性缺血性中风，急性缺血性中风，非对比度颅骨计算机断层扫描，窗户CT，图像分类1。引言1.1研究中风的背景是全球死亡的第二大原因。在泰国，中风成为死亡或功能障碍的第一个原因。缺血性中风和出血中风是主要原因。缺血性中风是由凝块引起的，该凝块导致大脑的血液供应低（Musuka等人2015）。它分为四个阶段：超急性，急性，亚急性和慢性梗塞（Pressman BD和Tourje EJ 1987）（Nakano s and iseda t 2001）。但是，如果检测到较早的中风，它可能会增加生存和恢复的机会。神经影像受到医生的诊断。在泰国，CT被广泛使用，因为成本比MRI便宜。有许多类型的神经成像，例如磁共振成像（MRI）和计算机断层扫描（CT）。它成为诊断标准并广泛可用（Barber Pa等。2005），（Kidwell CS等人 1999）。 图像内容由称为Hounsfield单元（HU）的定量刻度表示，可以使用窗口过程将其映射到颜色尺度。 有两个参数可以调整以显示不同的组成，窗口级别（WL）和窗口宽度（WW）（Osborne等人。 2016），（Melisa Sia 2020），（Xue等人 2012）尽管CT快速又便宜，但仍有一个限制。 视觉上识别超急性和急性期中风的病变和位置的难度是问题，因为病变看起来与正常组织相似。 以这种方式，一种称为计算机断层灌注（CTP）的技术可间接显示出流向脑实质的流动或状态（Mortimer等人， 2013）使用造影剂。 不幸的是，这项技术的局限性是专家，每家医院都可能无法使用。 因此，对医学图像深度学习的最新研究的大多数研究都旋转了深度学习模型对有助于解释多种疾病诊断的病变进行分类或分割的能力（Clèrigues等 2019），（Cheon等人 2019），（Meier等人 2019），（Mirtskhulava等人 2015），脑肿瘤（Nadeem等人 2020），肺癌（Weng等人 2017），Retina（Christopher等人 2018）。2005），（Kidwell CS等人1999）。 图像内容由称为Hounsfield单元（HU）的定量刻度表示，可以使用窗口过程将其映射到颜色尺度。 有两个参数可以调整以显示不同的组成，窗口级别（WL）和窗口宽度（WW）（Osborne等人。1999）。图像内容由称为Hounsfield单元（HU）的定量刻度表示，可以使用窗口过程将其映射到颜色尺度。有两个参数可以调整以显示不同的组成，窗口级别（WL）和窗口宽度（WW）（Osborne等人。2016），（Melisa Sia 2020），（Xue等人 2012）尽管CT快速又便宜，但仍有一个限制。 视觉上识别超急性和急性期中风的病变和位置的难度是问题，因为病变看起来与正常组织相似。 以这种方式，一种称为计算机断层灌注（CTP）的技术可间接显示出流向脑实质的流动或状态（Mortimer等人， 2013）使用造影剂。 不幸的是，这项技术的局限性是专家，每家医院都可能无法使用。 因此，对医学图像深度学习的最新研究的大多数研究都旋转了深度学习模型对有助于解释多种疾病诊断的病变进行分类或分割的能力（Clèrigues等 2019），（Cheon等人 2019），（Meier等人 2019），（Mirtskhulava等人 2015），脑肿瘤（Nadeem等人 2020），肺癌（Weng等人 2017），Retina（Christopher等人 2018）。2016），（Melisa Sia 2020），（Xue等人2012）尽管CT快速又便宜，但仍有一个限制。视觉上识别超急性和急性期中风的病变和位置的难度是问题，因为病变看起来与正常组织相似。以这种方式，一种称为计算机断层灌注（CTP）的技术可间接显示出流向脑实质的流动或状态（Mortimer等人，2013）使用造影剂。不幸的是，这项技术的局限性是专家，每家医院都可能无法使用。因此，对医学图像深度学习的最新研究的大多数研究都旋转了深度学习模型对有助于解释多种疾病诊断的病变进行分类或分割的能力（Clèrigues等2019），（Cheon等人 2019），（Meier等人 2019），（Mirtskhulava等人 2015），脑肿瘤（Nadeem等人 2020），肺癌（Weng等人 2017），Retina（Christopher等人 2018）。2019），（Cheon等人2019），（Meier等人2019），（Mirtskhulava等人2015），脑肿瘤（Nadeem等人2020），肺癌（Weng等人2017），Retina（Christopher等人 2018）。2017），Retina（Christopher等人2018）。2018）和乳腺癌（Chougrad等人 尽管诊断解释的发展模型是具有挑战性的任务，但非解释性问题（例如增强图像和发展工作流程）也有助于改善患者的结果（Richardson等人。2018）和乳腺癌（Chougrad等人尽管诊断解释的发展模型是具有挑战性的任务，但非解释性问题（例如增强图像和发展工作流程）也有助于改善患者的结果（Richardson等人。2020）也可以在此任务中应用深度学习来实现治疗的最终目标。纸张的其余部分如下组织。CT窗口上的先前工作可以在第1节中找到。第2节阐明了研究的目的。第3节介绍了建议的方法，数据集，CT窗口过程，本工作中应用的分类。在第4节中解释了实验结果的细节，结论是在第5节中。1.2计算机断层扫描中的文献综述（CT）被称为评估梗塞中风的方式。窗口级别（WL）和窗口宽度（WW）的值是具有诊断准确性的重要因素。它可以揭示患者大脑的微妙异常。通常，CT图像上的默认脑窗口设置为40，窗口宽度为80（EE等人。2017），但是这个窗口很难审查梗塞，尤其是在中风的早期。因此，许多作品都在选择适当的窗口级别的合适值，并提出了检测缺血性中风的窗口宽度。
用于从 MRI 图像中分割缺血性中风脑的混合 ResNet50-UNet 模型 1 Fathia ABOUDI、2 Cyrine DRISSI、3 Tarek KRAIEM
1 突尼斯埃尔马纳尔大学 (UTM) 生物物理与医学技术实验室 ISTMT，突尼斯 2 突尼斯蒙吉本哈米达国立神经病学研究所神经放射学系，突尼斯 3 突尼斯医学院生物物理与医学技术实验室，突尼斯 摘要 缺血性脑卒中是最常见的脑血管疾病，也是全球死亡和长期残疾的主要原因之一。及早发现缺血性脑卒中有助于医生及早诊断，从而大大减少死亡或残疾的可能性。医学研究中使用多种方式来检测缺血性脑卒中；不过，磁共振成像 (MRI) 仍然是该领域最有效的方式。最近，许多研究人员使用深度学习模型在 MRI 图像中检测缺血性脑卒中，并取得了令人鼓舞的结果。在本文中，我们提出了一种使用深度学习模型从 MRI 图像中自动分割缺血性中风病变 (ISL) 的方法。使用的 UNet 模型是混合框架，具有预训练的 ResNet50 架构。数据增强技术已被用于超越模型的准确性。所提出的工作流程已在公共缺血性中风病变分割挑战 (ISLES) 2015 数据集上进行了训练和测试。实验结果证明了我们的方法的性能效率，它实现了 99.43% 的平均准确率和 64.14% 的 Dice 系数 (DC)。我们的方法优于其他最先进的方法，更具体地说，在准确率方面。