利用自我监督深度学习方法识别缺血性中风血栓来源的数字病理学研究，模型在交叉验证和测试集上取得了良好的性能，但仍需要进一步改进模型，并验证其有效性。

May, 2024

研究提出通过整合全切片数字病理图像的数据，利用多种先进的计算机视觉模型对血栓来源进行分类的新方法，其中 SwinTransformerV2 模型表现最佳，可以在不同血管区域检测血栓的来源，有望改善缺血性卒中的诊断和治疗。

Apr, 2023

研究使用深度学习（DL）技术，设计基于计算机断层扫描（CT）的 DL 算法，从非严格研究协议中收集的 CT 脑部扫描数据中检测急性缺血性中风（AIS）病变，并分类受影响的脑部侧边。通过探索 AIS 病变特征、背景脑部外观和时间对 DL 性能的影响，最佳 DL 方法对病变存在和侧边分类达到了 72％的准确率，对大尺寸病变（80％准确率）和多发病变（87％二个病变、100％三个或以上病变的准确率）检测效果更好。

Sep, 2023

本文介绍了一种开源工具，采用机器学习技术实现数字减影血管造影（DSA）血栓检测的自动分类，并在三个临床病例中进行了测试，其模型能够正确分类 M1 分段中的所有大血管闭塞，并可以在 (接近) 实时的情况下被临床工作人员使用。

May, 2023

本文提出了一个智能中风预测框架，该框架在文献中对使用最广泛的五种机器学习算法进行了评估，并比较分析了结果，发现随机森林算法最适合中风预测。

Apr, 2023

本文探讨了卒中的潜在风险因素，比较了四种不同的方法以提高不平衡的卒中数据集的分类性能，并发现对于大规模严重失衡数据集，SMOTE 和 PCA-Kmeans 与 DNN-Focal Loss 表现最佳。

Nov, 2022

提出了一种基于深度学习的方法用于检测冠状动脉侧支循环 (CCC) 在血管造影图像中的方法，并取得了有希望的结果，可以进一步扩展为基于标志点的 CCC 检测和 CCC 定量化。

Jan, 2024

机器学习在预测中风后症状及其对康复的反应方面具有巨大潜力。本研究评估了对神经影像数据进行维度降低和特征选择的方法，并提出了使用卷积神经网络 (CNN) 对结合神经影像和表格数据的新方法。研究结果显示，即使数据集规模较小，结合神经影像和表格数据可实现高精度的中风后分类，可以进一步通过使用医院扫描仪中的图像来提高分类准确性。

Oct, 2023

本研究试图利用深度完全卷积神经网络自动地将颅内出血区域从 CT 扫描结果中区分出来，以取代目前需要有经验的放射科医师进行检查的方式。该方法在 5 重交叉验证中取得了 0.31 的 Dice 系数，可用于未来分析和比较。

Oct, 2019

通过使用机器学习技术，研究临床、生化和神经影像因素，生成一个预测模型，用于预测中风患者在入院后 3 个月的死亡率和发病率，并得出结论：机器学习算法可以有效地用于中风患者的长期死亡率和发病率的预测。

Feb, 2024