脑血流动力学信号监测中的卒中预测和诊断模型
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
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
使用解释性、基于注意力机制的变换器模型以及 Shapley 值和注意力得分对早期中风死亡风险进行预测，评估和解释模型的性能，提供特征重要性派生自模型。
Aug, 2023
中风是致残和死亡的主要原因。在有效处理决策中首要是进行早期和信息丰富的血管成像。因此，我们提出了一种从 CT 和 CTA 图像中提取预测灌注图的框架。我们的预测灌注图与 4D-CTP 得到的 T-max 灌注图之间具有显著的空间相似性。通过对 2,110 名患者进行的体素相关性分析，可可靠地将症状与预期的梗塞位置相对应。因此，如果没有 4D 灌注成像，我们的预测灌注图可以作为一种替代方法来研究入院后的前几个小时的血液灌注。
Apr, 2024
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
基于 UNet 构建了一个级联的三维模型，从粗到细对 CT 图像中的出血区域进行两阶段分割，并自动计算出出血体积，与传统的 Tada 公式相比，该模型在 341 例出血性中风 CT 扫描中提供了高质量的分割结果（DSC 85.66%）和更好的计算效率（每个样本 6.2 秒）。
Jan, 2024
发展机器学习模型来预测三个月内具有高血压风险的患者，并使用电子健康记录数据来训练和测试模型，结果表明逻辑回归模型的表现优于循环神经网络模型，这表明我们需要包括线性模型作为预测任务的强基准
Jun, 2019
本文提出了一种基于深度学习的框架，利用计算机辅助技术快速准确地进行冠状动脉血液动力学分析， 通过迭代学习算法可以用 CCTA 图像预测冠状动脉的血液动力学分布，并与计算流体动力学分析结果相吻合，为冠状动脉疾病发展的机制揭示提供新思路。
May, 2023