卒中护理是近年来人工智能研究产生最大影响的领域之一，《放射学》上发表的一项新研究着眼于这种不断发展的技术可以发挥作用的另一种方式。根据一个国际研究小组的工作(该小组包括加拿大，韩国和瑞士的代表)，深度学习和机器学习可用于在急性缺血性卒中(AIS)的非对比CT扫描中识别梗塞的脑组织)。

检测梗塞对于AIS患者的治疗至关重要，它提供了可以传达溶栓或血栓切除术是否可行的关键背景信息，但是在非对比CT图像中评估梗塞可能是一项艰巨的任务。

卡尔加里大学的吴秋(音译)写道：“通过非对比增强CT定量评估梗塞是一项挑战，因为受累大脑区域的密度和质地变化微妙，并可能因正常的生理变化或旧病变而混淆。”同事。“脑组织图像的信噪比低，切片厚，对比度低，这使大多数传统的基于图像的分割方法变得困难。”

该团队研究了2004年5月至2009年6月接受治疗的157名AIS患者的非对比CT图像，从而开发了一种混合AI模型，“将基于深度学习的功能整合到了机器学习框架中”。这些相同的患者被用作参考标准。使用来自其他100例接受非对比CT扫描和弥散加权MRI扫描的患者的数据建立了测试数据集。

总体而言，作者发现AI检测到的病变体积“与专家轮廓病变体积的参考标准相关”。AI分割体积和弥散加权MRI体积之间的平均差为11 mL。

这组作者写道：“类似此处提出的方法，可以帮助从AIS患者的基线非增强CT图像中描绘和量化梗死，从而帮助医生做出临床决策。”

研究人员确实指出，他们的研究存在某些局限性。例如，深度学习算法“仅提供脑梗塞的近似值，而不能真正检测到它。”此外，他们还补充说，需要来自其他设施的数据来进行额外的验证，并且需要加快该技术的使用，以便可以在临床环境中实际使用它。