研究人员使用 AI 分析常规脑部扫描，发现了一种前景良好的新方法，可以可靠地识别常见但难以检测的多中风先兆。
在《Cerebrovascular Diseases》期刊上发表的一项研究中，来自Royal Melbourne Hospital的科学家描述了一种新的 AI 模型，该模型有朝一日可以防止高危患者成为中风患者。该深度学习模型通过识别人类通常看不到的细微、难以察觉的模式，可以识别 MRI 脑部扫描图中 atrial fibrillation (AFib) (一种不规则的心跳障碍) 的迹象。
该论文的主要作者之一、墨尔本皇家医院的教授兼神经学家 Bernard Yan 表示：“在全球每年 1200 万例新中风患者中，房颤（AFib）占据了很大比例。“找到一种识别 AFib 的有效方法可以有效预防中风。”
研究人员在 235 名患有由 AFib 或其他因素引起的中风的患者的大脑 MRI 上训练了 3D 卷积神经网络—ConvNeXt。
在显示不同中风患者大脑的 MRI 时，神经网络能够区分由 AFib 引起的中风和由不同前兆引起的中风，准确率达 84%。
为了训练其卷积神经网络，研究团队使用 NVIDIA A100 TensorCore GPU 以及 CUDA 12.1、cuDNN 和NVIDIA Apex 进行混合精度训练。
AFib 是缺血性中风的常见诱因，也就是血管阻塞引发的中风。堵塞会导致大脑缺氧，并可能导致严重的脑损伤或死亡。近 90% 的中风是缺血性中风。
AFib 的风险因素包括高龄、肥胖、吸烟、欧洲裔和血压高。
大约 5% 的美国人 (或近 1100 万人) 与 AFib 同住，每年有多达 16000 名美国人死于与 AFib 有关的中风。由于 AFib 的症状非常微妙，而且人类很难准确识别其存在，因此即使在进行过脑部 MRI 检查的患者中也是如此，因此通常无法诊断出 AFib。
重要的是，已经患有 AFib 的患者面临重大健康风险。他们占所有缺血性中风的三分之一，而且他们患中风的可能性比普通人群高 5 倍。
接下来，研究人员指出，他们需要使用更大的实验样本来验证他们的发现，并寻求模型通用性的外部验证。
如果这项研究得到广泛验证，就可以更轻松地预测并降低预防 AFib 相关中风的成本。与 ECG 和心脏监测相比，即时 MRI 分析的侵入性和成本都较低，而 ECG 和心脏监测现在通常用于追踪高危患者并帮助预防中风。
