脑动脉瘤是脑内血管的凸起或膨胀,可能会渗漏或破裂,引起出血,也可能导致脑出血。这是一种紧急医疗情况,需要立即进行神经系统评估和检测以确保生存。[19] 动脉瘤的大小不到 MRI 扫描大小的 1%,因此使用深度学习识别和分割动脉瘤具有挑战性。在这个任务中,我们探索了深度学习神经网络如何帮助从 MRI 扫描中解决脑动脉瘤的分类问题。我们模型的输入是 3D 图像、医院的扫描图像和没有动脉瘤的开源图像。我们使用 DenseNet 网络架构和 MONAI(人工智能医疗开放网络)[12] 平台,这是一个基于 PyTorch 的开源框架,用于训练和提高分类任务的准确性。我们与一家初创公司 VasoGnosis Inc. 合作,这是一家为脑血管疾病提供人工智能诊断和手术规划软件平台的供应商 [15],通过这个项目获取数据和指导。
,我们最引起了人们的最大兴趣,Saedi及其同事的报告中有3例与肺动脉动脉瘤(PAA)相关的肺动脉瓣尖的孤立先天性发病障碍。在我们看来,这种观察结果扩展了我们对这种病理关联的理解,并可能改善PAA的病态学分类和预后意义。Indeed, if one excludes what are usually peripheral “ false aneurysms ” of numerous causes (infectious, in fl ammatory, tumoral, congenital, traumatic or iatrogenic origin), then the PAA with pulmonary hypertension (ie, associated with cardiac disease [eg, left-to-right shunts, post- stenotic dilation], hypoxemic lung disease, and thromboembolic disease)最后在结缔组织疾病(Marfan,Loeys-Dietz)或炎症性血管炎(例如,Takayasu,Behcβ,Horton)的背景下进行的最后动脉瘤,其余由Veldtman和2003年的同事组成。2
摘要:动脉瘤性蛛网膜下腔出血(ASAH)是一种严重的疾病,患有高死亡率和高永久性残疾率,对于那些在初次出血的人来说。这项研究的目的是研究中枢神经系统的标志物,作为ASAH之后潜在的院内死亡率预测因子。在ASAH后的第1、2和3天,在血液和脑脊液(CSF)中测量了具有外部室外排水酶,烯醇酶,S100B和GFAP水平的患者。Compared to survivors, non-survivors showed a significantly higher peak of S100B and enolase levels in the blood (S100B: 5.7 vs. 1.5 ng / mL, p = 0.031; enolase: 6.1 vs. 1.4 ng / mL, p = 0.011) and the CSF (S100B: 18.3 vs. 0.9 ng / mL, p = 0.042;烯醇酶:109.2 vs. 6.1 ng / ml,p = 0.015)。烯醇酶在血液中的最高可预测性水平(AUC为0.873)和CSF中的80.0 ng / ml(AUC为0.889)中显示出最高水平。S100B的预测能力也非常好,血液中的阈值为5.7 ng / ml(AUC 0.825)和CSF中的4.5 ng / ml(AUC 0.810)。总而言之,烯醇酶和S100B(但不是GFAP)可能是适合于早期预测ASAH后院内死亡率的生物标志物。
麦考瑞大学与邻近的富士通和医疗设备制造商 GE Healthcare 联手开发了一项人工智能诊断技术,可以分析脑动脉瘤的 CT 扫描。该技术旨在显著加快 CT 扫描的分析过程,从而节省放射科医生的宝贵时间。通过使用这项人工智能技术及其附带的 3D 结构分析数据,神经外科医生有望在规划手术时做出更好的决策。
摘要 背景 随着该领域先进技术的出现,使用血管内技术治疗神经血管疾病正在迅速发展。在这里,我们描述了使用 Biomodex EVIAS 患者特定 3D 打印模型进行术前模拟的经验,以规划使用血管内机器人和新型流量分流装置治疗动脉瘤。 方法 在第一次人体实验之前,使用 8 例脑动脉瘤患者的 3D 打印患者特定模型进行术前演练。为了评估实验模型的可靠性,比较了患者和 3D 模型之间动脉瘤的特征。演练用于确定患者治疗计划,包括技术、装置尺寸和手术工作投影。 结果 该研究包括八名患者及其各自的 EVIAS 3D 动脉瘤模型。对首次人体机器人辅助神经血管干预(n=2)和新一代流量分流支架(n=6)进行了术前模拟。动脉瘤位于前循环(n=5)和后循环(n=3),平均大小为 11.0±6.5 毫米。我们发现 3D 模型和患者解剖结构可靠地再现了动脉瘤特征,母血管解剖结构的尺寸相似。详细描述了从术前体外模拟中得到的信息,包括改进的患者治疗计划,这有助于成功完成世界上首例手术,且没有术中并发症。结论使用患者特定的 3D 模型进行术前演练可提供精确的手术计划,这可能会提高操作员的信心,减少辐射剂量并提高患者的安全性,尤其是在首次人体体验中。
尽管较大的初始最大直径是 AAA 破裂的明确独立风险因素,但已发现其他破裂因素,包括患者的一般特征(例如女性、高血压或吸烟)和与动脉瘤本身相关的因素(包括 AAA 生长速度、壁应力、壁硬度、壁张力和腔内血栓的快速增加)。3 在实践中,进展和破裂的风险很难预测,尽管专业协会有共同的指导方针,但各国 AAA 修复和管理的决策策略差异很大。5 这强调了开发更个性化的治疗方法的必要性,该方法可以考虑到患者的一般和临床特征以及 AAA 几何和形态的详细特征。数据科学在医学中的应用为精准医疗时代提供了新见解,旨在提出针对个人的量身定制的护理
摘要:伴有蛛网膜下腔出血的颅内动脉瘤发病率和死亡率很高。检测动脉瘤、识别破裂的危险因素和预测动脉瘤的治疗反应以指导临床干预至关重要。人工智能因其在基于图像的任务中的出色表现而受到了全世界的关注。人工智能在一系列临床环境中作为医生的辅助手段,大大提高了诊断准确性,同时减少了医生的工作量。基于使用深度学习的 MRA 和 CTA 的动脉瘤计算机辅助诊断系统已经过评估,并报告了出色的性能。随着机器学习方法的实施,人工智能还被用于自动形态学计算、破裂风险分层和结果预测,这些方法已表现出增量价值。本综述总结了人工智能在动脉瘤管理(包括检测和预测)方面的最新进展。简要讨论了人工智能临床应用的挑战和未来方向。
摘要背景髓鞘碱性蛋白(MBP)是中枢神经系统髓鞘中第二丰富的蛋白质。自20世纪80年代以来,它一直被视为创伤和疾病中脑组织损伤的标志物。目前尚无关于动脉瘤性蛛网膜下腔出血(SAH)中MBP的报道。方法104例动脉瘤破裂的SAH患者,在破裂后24小时内接受血管内治疗,采集156份血液样本:SAH后0 - 3天104份,4 - 6天32份,9 - 12天20份。采用ELISA检测MBP水平,并与入院时的临床状况、实验室结果、影像学检查结果和3个月时的治疗结果进行比较。结果 SAH 后 0 – 3 天的 MBP 水平在预后不良患者 (p < 0.001)、死亡患者 (p = 0.005)、接受颅内介入治疗的患者 (p < 0.001) 和脑出血 (ICH; p < 0.001) 患者中显著升高。SAH 后 4 – 6 天,颅内介入治疗 (p = 0.009) 和 ICH (p = 0.039) 后的 MBP 水平显著升高。SAH 后 0 – 3 天的 MBP 水平与 3 个月格拉斯哥预后量表 (cc = − 0.42) 以及 ICH 体积 (cc = 0.48) 之间存在临床相关性。所有完全康复的患者在 SAH 后 0 – 3 天的 MBP 水平均低于检测限。血管内动脉瘤封堵术后,104例患者中86例(83%)MBP未升高。结论颅内动脉瘤破裂后外周血MBP浓度反映脑组织损伤程度(手术或ICH所致),与治疗结果相关。血管内动脉瘤封堵术后MBP未升高,提示该技术安全性较高。
神经外科手册,第七EDI5ON。ed。Greenberg MS。 2010。 纽约:Thieme出版商。 1034-1096。 国际颅内动脉瘤inves5gators(ISUIAI)的国内5个研究。 未经颅内动脉瘤:自然病史,临床结局以及手术和血管内治疗的风险。 Lancet 2003,362:103-110。Greenberg MS。 2010。纽约:Thieme出版商。1034-1096。国际颅内动脉瘤inves5gators(ISUIAI)的国内5个研究。未经颅内动脉瘤:自然病史,临床结局以及手术和血管内治疗的风险。Lancet 2003,362:103-110。