阎肃，李诗卉，李葭，张归玲，谢彦，高璐月，张妍，石晶晶，王剑，申楠茜，郝永红，朱文杰，田甜，张巨，朱文珍

脑卒中

1.深度学习在脑卒中的应用

Schultheiss等分析了216例受试者的头颅CT平扫资料，放射科医生对其中101例进行动脉致密征象分割，通过建立不同的卷积神经网络(convolutional neural network，CNN)对68名患者组成的测试集(34例有密集征，34例无密集征)进行评估。结果显示二阶检测器的平均曲线下面积(AUC)为0.77(95%CI 0.62～0.90)，对应的敏感度为78%，特异度为68%。一阶检测器的平均AUC值为0.63(95%CI 0.44～0.77)，敏感度为46%，特异度为68%。所以二阶检测器的准确率最高，并且可以通过检查中间结果来评估，以可视化动脉致密征的位置。

Pan等利用3D CNN来自动识别头颈部CT血管成像(CTA)序列和大血管闭塞。在研究中心一，自动识别最大密度投影(MIP)序列和薄层序列的符合率和AUC分别为96%和1，鉴别急性大血管闭塞与正常血管的AUC为0.824，当模型的特异度为30%时可以达到95%的敏感度，而当敏感度为43%时，特异度达到95%，鉴别大血管闭塞与正常血管的AUC为0.793。在研究中心二，鉴别序列的符合率为98.2%。中心一和中心二鉴别急性大血管闭塞和慢性大血管闭塞的AUC分别为0.655和0.638。因此，3D CNN可有效鉴别CT血管成像中的不同序列，假阳性率为5%，而且无需人工干预就能成功识别出40%以上的急性大血管闭塞。

常规的MRI对于急性梗塞一般是定性而不是定量的，Hwang等应用深度学习的方法在扩散加权成像(DWI)上自动勾画梗死灶边界，其敏感度和特异度为83%和99%，与放射科医生勾画的病灶之间的平均体积差异为0.2531 mL。同时可根据ADC值对脑卒中的严重程度分级，分为无中风症状、轻度中风、中度中风和重度中风。……