ldtЛучевая диагностика и терапияDiagnostic radiology and radiotherapy2079-5343Baltic Medical Education Center10.22328/2079-5343-2021-12-2-30-36ldt-619Research ArticleЛЕКЦИИ И ОБЗОРЫLECTURES AND REVIEWSПрименение систем искусственного интеллекта в  нейрорадиологии острого ишемического инсультаАpplication of artificial intelligence systems in neuroradiology of acute ischemic strokehttps://orcid.org/0000-0002-0416-493XАндроповаП. Л.AndropovaР. L.

Андропова Полина Леонидовна — аспирант федерального государственного бюджетного учреждения науки «Институт мозга человека имени Н.П.Бехтеревой»;  врач кабинета компьютерной томографии рентгеновского отделения

197376, Санкт-Петербург, ул. Академика. Павлова, д. 9

195257, Санкт-Петербург, ул. Вавиловых, д. 14

Polina L. Andropova

St. Petersburg

polin.and@icloud.comhttps://orcid.org/0000-0003-3251-4084ГавриловП. В.GavrilovP. V.

Гаврилов Павел Владимирович — кандидат медицинских наук, доцент научно-клинического и образовательного центра «Лучевая диагностика и ядерная медицина» научно- клинического и образовательного центра «Лучевая диагностика и ядерная медицина»

199034, Санкт-Петербург, Университетская набережная, д. 7–9

SPIN-код 7824–5374

Pavel V. Gavrilov

St. Petersburg

spbniifrentgen@mail.ruhttps://orcid.org/0000-0001-9306-2101СавинцеваЖ. И.SavintsevaZh. I.

Савинцева Жанна Игоревна — кандидат медицинских наук, научный сотрудник лаборатории нейровизуализации

197376, Санкт-Петербург, ул. Академика Павлова, д. 9

SPIN-код 6620–9449

Zhanna I. Savintseva

St. Petersburg

jeanna.mri@ihb.spb.ruhttps://orcid.org/0000-0002-6550-589XВовкА. В.VovkА. V.

Вовк Андрей Владиславович — кандидат медицинских наук, врач-хирург, заместитель главного врача по медицинской части

195257, Санкт-Петербург, ул. Вавиловых, д. 14, A

Andrey V. Vovk

St. Petersburg

vav.gb3@gmail.comhttps://orcid.org/0000-0002-3565-2821РыбинЕ. В.RybinЕ. V.

Рыбин Евгений Владимирович — кандидат медицинских наук, врач-кардиолог, заместитель главного врача по терапии

195257, Санкт-Петербург, ул. Вавиловых, д. 14, А

Evgeny V. Rybin

St. Petersburg

doctorrybin@mail.ruИнститут мозга человека имени Н. П. Бехтеревой Российской академии наук; Городская больница Святой преподобномученицы ЕлизаветыРоссияInstitute of the Human Brain of the Russian Academy of Sciences; St. Petersburg City Hospital of the Holy Martyr ElizabethRussian FederationСанкт-Петербургский государственный университетРоссияSt. Petersburg State UniversityRussian FederationИнститут мозга человека имени Н. П. Бехтеревой Российской академии наукРоссияInstitute of the Human Brain of the Russian Academy of SciencesRussian FederationГородская больница Святой преподобномученицы ЕлизаветыРоссияSt. Petersburg City Hospital of the Holy Martyr ElizabethRussian Federation2021171020211223035Copyright © Андропова П.Л., Гаврилов П.В., Савинцева Ж.И., Вовк А.В., Рыбин Е.В., 20212021Андропова П.Л., Гаврилов П.В., Савинцева Ж.И., Вовк А.В., Рыбин Е.В.Andropova Р.L., Gavrilov P.V., Savintseva Z.I., Vovk А.V., Rybin Е.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://radiag.bmoc-spb.ru/jour/article/view/619

Введение. Искусственный интеллект в настоящее время является наиболее быстро развивающейся областью, имеющей большое значение для лучевой диагностики. Цель обзора: изучить современное состояние применения систем искусственного интеллекта в визуализации острого ишемического инсульта. Результаты. В настоящее время имеется множество программных решений на основе искусственного интеллекта, позволяющих успешно применять автоматическую обработку изображений для оценки данных нейровизуализации при острых нарушениях мозгового кровообращения: раннее выявление диагностическими методами визуализации, оценка времени начала заболевания, сегментация поражения, анализ наличия и возможности возникновения отека мозга, а также прогнозирование осложнений и результатов лечения. Заключение. Первые результаты применения искусственного интеллекта для оценки данных нейровизуализации показали, что методы машинного обучения могут быть полезны в качестве инструментов принятия решений при выборе лечения для острого ишемического инсульта.

Introduction. Artificial intelligence is one of the fastest-growing areas of great importance to radiology. Purpose. In this article, we aimed to study the current state of the use of computer-aided imaging analysis in acute ischemic stroke. Results. There are many artificial intelligence softwares that automatic image processing can successfully identify neuroradiology image in stroke: early detection by diagnostic imaging methods, assessment of the time of disease onset, segmentation of the lesion, analysis of the presence and possibility of cerebral edema, and predicting complications and treatment outcomes. Conclusion. The first results of using artificial intelligence to evaluate neuroimaging data showed that machine-learning methods could be useful as decision-making tools when choosing a treatment for acute ischemic stroke.

компьютерная томографиямагнитно-резонансная томографиянейровизуализацияискусственный интеллектострый ишемический инсультcomputed tomographymagnetic resonance imagingneuroradiologyartificial intelligenceacute ischemic strokeReferencesGlobal, regional, and national burden of stroke, 1990–2016: a systematic analysis for the Global Burden of Disease Study 2016. GBD 2016 Stroke Collaborators // Lancet Neurol. 2019. Vol. 18. Р. 439–458. Published Online March 11. 2019. doi: 10.1016/S1474-4422(19)30034-1.Global, regional, and national burden of stroke, 1990–2016: a systematic analysis for the Global Burden of Disease Study 2016. GBD 2016 Stroke Collaborators // Lancet Neurol. 2019. Vol. 18. Р. 439–458. Published Online March 11. 2019. doi: 10.1016/S1474-4422(19)30034-1.Barber P.A., Demchuk A.M., Zhang J. et al. Validity and reliability of a quantitative computed tomography score in predicting outcome of hyperacute stroke before thrombolytic therapy // Lancet. 2000. Vol. 355. Р. 1670–1674. doi: 10.1016/s0140-6736(00)02237-6.Barber P.A., Demchuk A.M., Zhang J. et al. Validity and reliability of a quantitative computed tomography score in predicting outcome of hyperacute stroke before thrombolytic therapy // Lancet. 2000. Vol. 355. Р. 1670–1674. doi: 10.1016/s0140-6736(00)02237-6.Dzialowski I., Hill M.D., Coutts S.B. et al. Extent of early ischemic changes on computed tomography (CT) before thrombolysis: prognostic value of the Alberta Stroke Program Early CT Score in ECASS II // Stroke. 2006. Vol. 37. Р. 973–9678. doi: 10.1161/01.STR.0000206215.62441.564.Dzialowski I., Hill M.D., Coutts S.B. et al. Extent of early ischemic changes on computed tomography (CT) before thrombolysis: prognostic value of the Alberta Stroke Program Early CT Score in ECASS II // Stroke. 2006. Vol. 37. Р. 973–9678. doi: 10.1161/01.STR.0000206215.62441.564.Трофимова Т.Н., Потапов А.А., Пронин И.Н., Ананьева Н.И. и др. Современные стандарты анализа лучевых изображений и алгоритмы построения заключения. Руководство для врачей. СПб., 2020Trofimova T.N., Potapov A.A., Pronin I.N., Ananyeva N.I. et al. Modern standards for the analysis of ray images and algorithms for constructing a conclusion. A guide for doctors. St. Petersburg, 2020 (In Russ)Gupta A.C., Schaefer P.W., Chaudhry Z.A., Leslie-Mazwi T.M., Chandra R.V., González R.G. et al. Interobserver reliability of baseline noncontrast CT Alberta Stroke Program early CT score for intra-arterial stroke treatment selection // AJNR Am J. Neuroradiol. 2012. Vol. 33. Р. 1046–1049. doi: 10.3174/ajnr.A2942.Gupta A.C., Schaefer P.W., Chaudhry Z.A., Leslie-Mazwi T.M., Chandra R.V., González R.G. et al. Interobserver reliability of baseline noncontrast CT Alberta Stroke Program early CT score for intra-arterial stroke treatment selection // AJNR Am J. Neuroradiol. 2012. Vol. 33. Р. 1046–1049. doi: 10.3174/ajnr.A2942.Mak H.K., Yau K.K., Khong P.L., Ching A.S., Cheng P.W., Au-Yeung P.K. et al. Hypodensity of >1/3 middle cerebral artery territory versus Alberta Stroke Programme Early CT Score (ASPECTS): comparison of two methods of quantitative evaluation of early CT changes in hyperacute ischemic stroke in the community setting // Stroke. 2003. Vol. 34. Р. 1194–1196. doi: 10.1161/01.STR.0000069162.64966.71.Mak H.K., Yau K.K., Khong P.L., Ching A.S., Cheng P.W., Au-Yeung P.K. et al. Hypodensity of >1/3 middle cerebral artery territory versus Alberta Stroke Programme Early CT Score (ASPECTS): comparison of two methods of quantitative evaluation of early CT changes in hyperacute ischemic stroke in the community setting // Stroke. 2003. Vol. 34. Р. 1194–1196. doi: 10.1161/01.STR.0000069162.64966.71.Zhao Y., Healy B.C., Rotstein D., Guttmann C.R., Bakshi R., Weiner H.L. et al. Exploration of machine learning techniques in predicting multiple sclerosis disease course // PLoS ONE. 2017. Vol. 12: e0174866. doi: 10.1371/journal.pone.0174866.Zhao Y., Healy B.C., Rotstein D., Guttmann C.R., Bakshi R., Weiner H.L. et al. Exploration of machine learning techniques in predicting multiple sclerosis disease course // PLoS ONE. 2017. Vol. 12: e0174866. doi: 10.1371/journal.pone.0174866.Дорожная карта развития «сквозной» цифровой технологии «Нейротехнологии и искусственный интеллект», 2019.Roadmap for the development of «end-to-end» digital technology «Neurotechnologies and Artificial Intelligence», 2019 (In Russ.)Samuel’s Checkers Player // Sammut C., Webb G.I. (eds.) Encyclopedia of Machine Learning. Springer, Boston, MA. doi: 10.1007/978-0-387-30164-8_740.Samuel’s Checkers Player // Sammut C., Webb G.I. (eds.) Encyclopedia of Machine Learning. Springer, Boston, MA. doi: 10.1007/978-0-387-30164-8_740.Cruz J.A., Wishart D.S. Applications of machine learning in cancer prediction and prognosis // Cancer informatics. 2006. Vol. 2, No 59, 11; Vol. 2. Р. 59– 77. PMID: 19458758; PMCID: PMC2675494.Cruz J.A., Wishart D.S. Applications of machine learning in cancer prediction and prognosis // Cancer informatics. 2006. Vol. 2, No 59, 11; Vol. 2. Р. 59– 77. PMID: 19458758; PMCID: PMC2675494.Shen D., Wu G., Suk H.I. Deep Learning in Medical Image Analysis // Annual review of biomedical engineering. 2017. Vol. 19. Р. 221–248. doi: 10.1146/annurev-bioeng-071516-044442.Shen D., Wu G., Suk H.I. Deep Learning in Medical Image Analysis // Annual review of biomedical engineering. 2017. Vol. 19. Р. 221–248. doi: 10.1146/annurev-bioeng-071516-044442.Zhou N., Siegel Z.D., Zarecor S. et al. Crowdsourcing image analysis for plant phenomics to generate ground truth data for machine learning // PLoS Comput Biol. 2018. Vol. 14, No. 7. e1006337. doi: 10.1371/journal.pcbi.1006337Zhou N., Siegel Z.D., Zarecor S. et al. Crowdsourcing image analysis for plant phenomics to generate ground truth data for machine learning // PLoS Comput Biol. 2018. Vol. 14, No. 7. e1006337. doi: 10.1371/journal.pcbi.1006337Yamashita R., Nishio M., Do RKG., Togashi K (2018) Convolutional neural networks: an overview and application in radiology // Insights Imaging. 2018. Vol. 9, No. 4. Р. 611–629. doi: 10.1007/s13244-018-0639-9.Yamashita R., Nishio M., Do RKG., Togashi K (2018) Convolutional neural networks: an overview and application in radiology // Insights Imaging. 2018. Vol. 9, No. 4. Р. 611–629. doi: 10.1007/s13244-018-0639-9.Cardenas C.E., Yang J., Anderson B.M., Court L.E., Brock K.B. Advances in Auto-Segmentation. Semin Radiat Oncol. 2019. Jul. Vol. 29, No. 3. Р. 185– 197. doi: 10.1016/j.semradonc.2019.02.001Cardenas C.E., Yang J., Anderson B.M., Court L.E., Brock K.B. Advances in Auto-Segmentation. Semin Radiat Oncol. 2019. Jul. Vol. 29, No. 3. Р. 185– 197. doi: 10.1016/j.semradonc.2019.02.001Gillies R.J., Kinahan P.E., Hricak H. Radiomics: Images Are More than Pictures, They Are Data // Radiology. 2016. Vol. 278. Р. 563–577. doi: 10.1148/radiol.2015151169Gillies R.J., Kinahan P.E., Hricak H. Radiomics: Images Are More than Pictures, They Are Data // Radiology. 2016. Vol. 278. Р. 563–577. doi: 10.1148/radiol.2015151169Zhou M., Chaudhury B., Hall L.O. et al. Identifying spatial imaging biomarkers of glioblastoma multiforme for survival group prediction // J. Magn. Reson. Imaging. 2016. doi: 10.1002/jmri.25497.Zhou M., Chaudhury B., Hall L.O. et al. Identifying spatial imaging biomarkers of glioblastoma multiforme for survival group prediction // J. Magn. Reson. Imaging. 2016. doi: 10.1002/jmri.25497.Schnack H.G., Nieuwenhuis M., van Haren N.E., Abramovic L., Scheewe T.W., Brouwer R.M et al. Can structural MRI aid in clinical classification? A machine learning study in two independent samples of patients with schizophrenia, bipolar disorder and healthy subjects // Neuroimage. 2014. Vol. 84. Р. 299–306. doi: 10.1016/j.neuroimage.2013.08.053.Schnack H.G., Nieuwenhuis M., van Haren N.E., Abramovic L., Scheewe T.W., Brouwer R.M et al. Can structural MRI aid in clinical classification? A machine learning study in two independent samples of patients with schizophrenia, bipolar disorder and healthy subjects // Neuroimage. 2014. Vol. 84. Р. 299–306. doi: 10.1016/j.neuroimage.2013.08.053.Yankam Njiwa Y., Gray K.R., Costes N., Mauguiere F., Ryvlin P., Hammers A. Advanced [18F]FDG and [11C] flumazenil PET analysis for individual outcome prediction after temporal lobe epilepsy surgery for hippocampal sclerosis // NeuroImage: Clinical. 2015. Vol. 7. Р. 122–131. doi: 10.1016/j.nicl.2014.11.013.Yankam Njiwa Y., Gray K.R., Costes N., Mauguiere F., Ryvlin P., Hammers A. Advanced [18F]FDG and [11C] flumazenil PET analysis for individual outcome prediction after temporal lobe epilepsy surgery for hippocampal sclerosis // NeuroImage: Clinical. 2015. Vol. 7. Р. 122–131. doi: 10.1016/j.nicl.2014.11.013.Sakai K., Yamada K. Machine learning studies on major brain diseases: 5-year trends of 2014–2018 // Jpn. J. Radiol. 2019. Vol. 37, No. 1. Р. 34–72. Epub 2018/12/01. doi: 10.1007/s11604-018-0794-4.Sakai K., Yamada K. Machine learning studies on major brain diseases: 5-year trends of 2014–2018 // Jpn. J. Radiol. 2019. Vol. 37, No. 1. Р. 34–72. Epub 2018/12/01. doi: 10.1007/s11604-018-0794-4.Wang S.-H., Tang C., Sun J., Yang J., Huang C., Phillips P. et al. Multiple sclerosis identification by 14-layer convolutional neural network with batch normalization, dropout, and stochastic pooling // Front. Neurosci. 2018. Vol. 12. Р. 818. doi: 10.3389/fnins.2018.00818.Wang S.-H., Tang C., Sun J., Yang J., Huang C., Phillips P. et al. Multiple sclerosis identification by 14-layer convolutional neural network with batch normalization, dropout, and stochastic pooling // Front. Neurosci. 2018. Vol. 12. Р. 818. doi: 10.3389/fnins.2018.00818.Ho K.C., Speier W., El-Saden S., Arnold C.W. Classifying acute ischemic stroke onset time using deep imaging features // AMIA Annual Symposium Proceedings. Washington, DC, 2017. Р. 892–901. PMID: 29854156 PMCID: PMC5977679.Ho K.C., Speier W., El-Saden S., Arnold C.W. Classifying acute ischemic stroke onset time using deep imaging features // AMIA Annual Symposium Proceedings. Washington, DC, 2017. Р. 892–901. PMID: 29854156 PMCID: PMC5977679.Chen L., Bentley P., Rueckert D. Fully automatic acute ischemic lesion segmentation in DWI using convolutional neural networks // NeuroImage. 2017. Vol. 5. Р. 633–643. doi: 10.1016/j.nicl.2017.06.016.Chen L., Bentley P., Rueckert D. Fully automatic acute ischemic lesion segmentation in DWI using convolutional neural networks // NeuroImage. 2017. Vol. 5. Р. 633–643. doi: 10.1016/j.nicl.2017.06.016.Bouts M.J., Tiebosch I.A., van der Toorn A., Viergever M.A., Wu O., Dijkhuizen R.M. et al. Early identification of potentially salvageable tissue with MRI-based predictive algorithms after experimental ischemic stroke // J. Cereb. Blood. Flow Metab. 2013. Vol. 33. Р. 1075–1082. doi: 10.1038/jcbfm.2013.51.Bouts M.J., Tiebosch I.A., van der Toorn A., Viergever M.A., Wu O., Dijkhuizen R.M. et al. Early identification of potentially salvageable tissue with MRI-based predictive algorithms after experimental ischemic stroke // J. Cereb. Blood. Flow Metab. 2013. Vol. 33. Р. 1075–1082. doi: 10.1038/jcbfm.2013.51.Huang S., Shen Q., Duong T.Q. Quantitative prediction of acute ischemic tissue fate using support vector machine // Brain Res. 2011. Vol. 1405. Р. 77– 84. doi: 10.1016/j.brainres.2011.05.066.Huang S., Shen Q., Duong T.Q. Quantitative prediction of acute ischemic tissue fate using support vector machine // Brain Res. 2011. Vol. 1405. Р. 77– 84. doi: 10.1016/j.brainres.2011.05.066.Chen Y., Dhar R., Heitsch L., Ford A., Fernandez-Cadenas I., Carrera C. Automated quantification of cerebral edema following hemispheric infarction: application of a machine-learning algorithm to evaluate CSF shifts on serial head CTs // NeuroImage. 2016. Nо 2. Р. 673–680. doi: 10.1016/j.nicl.2016.09.018.Chen Y., Dhar R., Heitsch L., Ford A., Fernandez-Cadenas I., Carrera C. Automated quantification of cerebral edema following hemispheric infarction: application of a machine-learning algorithm to evaluate CSF shifts on serial head CTs // NeuroImage. 2016. Nо 2. Р. 673–680. doi: 10.1016/j.nicl.2016.09.018.Dhar R., Chen Y., An H., Lee J.M. Application of machine learning to automated analysis of cerebral edema in large cohorts of ischemic stroke patients // Front. Neurol. 2018. Vol. 9. Р. 687. doi: 10.3389/fneur.2018.00687.Dhar R., Chen Y., An H., Lee J.M. Application of machine learning to automated analysis of cerebral edema in large cohorts of ischemic stroke patients // Front. Neurol. 2018. Vol. 9. Р. 687. doi: 10.3389/fneur.2018.00687.Yu Y., Guo D., Lou M., Liebeskind D., Scalzo F. Prediction of hemorrhagic transformation severity in acute stroke from source perfusion MRI // IEEE Transactions on Biomedical Engineering. 2018. Vol. 65. Р. 2058–2065 doi: 10.1109/TBME.2017.2783241.Yu Y., Guo D., Lou M., Liebeskind D., Scalzo F. Prediction of hemorrhagic transformation severity in acute stroke from source perfusion MRI // IEEE Transactions on Biomedical Engineering. 2018. Vol. 65. Р. 2058–2065 doi: 10.1109/TBME.2017.2783241.Scalzo F., Alger J.R., Hu X., Saver J.L., Dani K.A., Muir K.W. Multi-center prediction of hemorrhagic transformation in acute ischemic stroke using permeability imaging features // Magn. Reson. Imag. 2018. Vol. 31, No. 6. Р. 961–969. doi: 10.1016/j.mri.2013.03.013.Scalzo F., Alger J.R., Hu X., Saver J.L., Dani K.A., Muir K.W. Multi-center prediction of hemorrhagic transformation in acute ischemic stroke using permeability imaging features // Magn. Reson. Imag. 2018. Vol. 31, No. 6. Р. 961–969. doi: 10.1016/j.mri.2013.03.013.Nielsen A., Hansen M.B., Tietze A., Mouridsen K. Prediction of tissue outcome and assessment of treatment effect in acute ischemic stroke using deep learning // Stroke. 2018. Vol. 49. Р. 1394–1401. doi: 10.1161/STROKEAHA.117.019740.Nielsen A., Hansen M.B., Tietze A., Mouridsen K. Prediction of tissue outcome and assessment of treatment effect in acute ischemic stroke using deep learning // Stroke. 2018. Vol. 49. Р. 1394–1401. doi: 10.1161/STROKEAHA.117.019740.Bentley P., Ganesalingam J., Carlton Jones A.L., Mahady K., Epton S., Rinne P. et al. Prediction of stroke thrombolysis outcome using CT brain machine learning // NeuroImage. 2014. Vol. 4. Р. 635–640. doi: 10.1016/j.nicl.2014.02.003.Bentley P., Ganesalingam J., Carlton Jones A.L., Mahady K., Epton S., Rinne P. et al. Prediction of stroke thrombolysis outcome using CT brain machine learning // NeuroImage. 2014. Vol. 4. Р. 635–640. doi: 10.1016/j.nicl.2014.02.003.Forkert N.D., Verleger T., Cheng B., Thomalla G., Hilgetag C.C., Fiehler J. et al. Multiclass support vector machine-based lesion mapping predicts functional outcome in ischemic stroke patients // PLoS ONE. 2015. Vol. 10. e0129569. doi: 10.1371/journal.pone.0129569.Forkert N.D., Verleger T., Cheng B., Thomalla G., Hilgetag C.C., Fiehler J. et al. Multiclass support vector machine-based lesion mapping predicts functional outcome in ischemic stroke patients // PLoS ONE. 2015. Vol. 10. e0129569. doi: 10.1371/journal.pone.0129569.Rondina J.M., Filippone M., Girolami M., Ward N.S. Decoding post-stroke motor function from structural brain imaging // Neuroimage Clin. 2016. Vol. 12. Р. 372–380. doi: 10.1016/j.nicl.2016.07.014.Rondina J.M., Filippone M., Girolami M., Ward N.S. Decoding post-stroke motor function from structural brain imaging // Neuroimage Clin. 2016. Vol. 12. Р. 372–380. doi: 10.1016/j.nicl.2016.07.014.Esteva A., Kuprel B., Novoa R.A. et al. Thrun Dermatologist-level classification of skin cancer with deep neural networks // Nature. 2017. Vol. 542. Р. 115–118. doi: 10.1038/nature21056.Esteva A., Kuprel B., Novoa R.A. et al. Thrun Dermatologist-level classification of skin cancer with deep neural networks // Nature. 2017. Vol. 542. Р. 115–118. doi: 10.1038/nature21056.

The authors declare that there are no conflicts of interest present.