Возможности искусственного интеллекта для автоматизированной диагностики и прогнозирования исходов острого инсульта на основе магнитно-резонансной томографии

Острый инсульт представляет собой одну из ведущих причин смертности и инвалидности во всем мире. Ежегодно миллионы людей сталкиваются с этим заболеванием, что приводит к значительным последствиям как для пациентов, так и для систем здравоохранения. Диагностика и лечение инсульта требуют быстрого и точного принятия решений, поскольку время является критическим фактором для успешного исхода. Однако существующие методы диагностики, такие как магнитно-резонансная томография, хотя и обеспечивают высокую точность визуализации, требуют значительных временных и человеческих ресурсов. Это создает необходимость в разработке новых подходов, которые могут повысить эффективность диагностики и прогнозирования исходов инсульта.

Искусственный интеллект активно развивается и находит применение в различных областях медицины, включая анализ медицинских изображений. Использование искусственного интеллекта для обработки данных МРТ открывает новые возможности для автоматизированной диагностики и прогнозирования исходов заболеваний, таких как инсульт. Это позволяет улучшить точность диагностики и сократить время анализа данных, что особенно важно в условиях экстренной медицинской помощи. 

1. Исакова Е. В., Рябцева А. А., Котов С. В. Состояние микроциркуляторного русла у больных, перенесших ишемический инсульт. Русский медицинский журнал. 2015;12:680–682.

2. Гусев Е. И. Неврология. Национальное руководство. Т. 1. М.: ГЭОТАР-Медиа; 2018. 299 с.

3. Yoshimura S, Sakai N, Yamagami H, et al. Endovascular therapy for acute stroke with a large ischemic region. N Engl J Med. 2022;386(14):1303–1313. https://doi.org/10.1056/NEJMoa2118191

4. Regenhardt R, Bretzner M, Zanon Zotin C, et al. Radiomic signature of DWI-FLAIR mismatch in large vessel occlusion stroke. Neuroimaging. 2022;32(1):63–67. https://doi.org/10.1111/jon.12928

5. Фокин В. А. МРТ в диагностике ишемического инсульта: учеб. пособие. Военно-медицинская академия им. С. М. Кирова. СПб: ЭЛБИ-СПб; 2012. 96 с.

6. Jiang B, Pham N, van Staalduinen EK. Deep learning applications in imaging of acute ischemic stroke: a systematic review and narrative summary. Radiology. 2025; 315(1):е240775. https://doi.org/10.1148/radiol.240775

7. Клинический протокол «Реперфузионная терапия ишемического инсульта». Общество доказательной неврологии; 2019 [цитировано 18.03.25.]. Доступно по ссылке: https://evidence-neurology.ru/evidentiarymedicine/protokoli/protokol-reperfuzionnoi-terapi/

8. Alaya IB, Limam H, Kraiem T. Applications of artificial intelligence for DWI and PWI data processing in acute ischemic stroke: Current practices and future directions. Clin Imaging. 2022;81:79–86. https://doi.org/10.1016/j.clinimag.2021.09.015

9. Прохорихин А. А., Байструков В. И., Бойков А. А. и др. Сравнительное исследование системы бесконтрастной КТ-диагностики острого ишемического инсульта на базе нейронных сетей глубокого обучения. Российский электронный журнал лучевой диагностики. 2020;10(3):36–45. https://doi.org/10.21569/2222-7415-2020-10-3-36-45

10. Yalçın S, Vural H. Brain stroke classification and segmentation using encoder-decoder based deep convolutional neural networks. Comput Biol Med. 2022;149:105941. https://doi.org/10.1016/j.compbiomed.2022.105941

11. Dasari Y, Duffin J, Sayin ES, et al. Convolutional neural networks to assess steno-occlusive disease using cerebrovascular reactivity. Healthcare. 2023;11(16):2231. https://doi.org/10.3390/healthcare11162231

12. Lai YL, Wu YD, Yeh HJ, et al. Using convolutional neural network to analyze brain MRI images for predicting functional outcomes of stroke. Med Biol Eng Comput. 2022;60(10):2841–2849. https://doi.org/10.1007/s11517-022-02636-7

13. Herzog L, Murina E, Dürr O, et al. Integrating uncertainty in deep neural networks for MRI based stroke analysis. Med Image Anal. 2020;65:101790. https://doi.org/10.1016/j.media.2020.101790

14. Adlung A, Paschke NK, Golla AK, et al. 23 Na MRI in ischemic stroke: Acquisition time reduction using postprocessing with convolutional neural networks. NMR Biomed. 2021;34(4):4474. https://doi.org/10.1002/nbm.4474

15. Rava RA, Podgorsak AR, Waqas M, et al. Investigation of convolutional neural networks using multiple computed tomography perfusion maps to identify infarct core in acute ischemic stroke patients. J Med Imaging. 2021;8(1):014505. https://doi.org/10.1117/1.JMI.8.1.014505

16. Choo YJ, Chang MC. Use of Machine Learning in Stroke Rehabilitation: A Narrative Review. Brain Neurorehabil. 2022;15(3):26. https://doi.org/10.12786/bn.2022.15.e26

17. Murat F, Sadak F, Yildirim O, et al. Review of deep learning-based atrial fibrillation detection studies. Int. J. Environ Res Public Health. 2021;18(21):11302. https://doi.org/10.3390/ijerph182111302

18. Gheibi Y, Shirini K, Razavi SN, et al. CNN-Res: deep learning framework for segmentation of acute ischemic stroke lesions on multimodal MRI images. BMC Med Inform Decis Mak. 2023;23(1):192. https://doi.org/10.1186/s12911-023-02289-y

19. Debs N, Cho TH, Rousseau D, et al. Impact of the reperfusion status for predicting the final stroke infarct using deep learning. Neuroimage Clin. 2021;29:102548. https://doi.org/10.1016/j.nicl.2020.102548

20. Lekoubou A, Ba DM, Nguyen C, et al. Poststroke Seizures and the Risk of Dementia Among Young Stroke Survivors. Neurology. 2022;99(4):385–392. https://doi.org/10.1212/wnl.0000000000200736

21. Galovic M, Ferreira-Atuesta C, Abraira L, et al. Seizures and Epilepsy After Stroke: Epidemiology, Biomarkers and Management. Drugs Aging. 2021;38(4):285– 299. https://doi.org/10.1007/s40266-021-00837-7

22. Moon HS, Heffron L, Mahzarnia A, et al. Automated multimodal segmentation of acute ischemic stroke lesions on clinical MR images. Magn. Reson. Imaging. 2022;92:45–57. https://doi.org/10.1016/j.mri.2022.06.001

23. Luciw NJ, Shirzadi Z, Black SE, et al. Automated generation of cerebral blood flow and arterial transit time maps from multiple delay arterial spin-labeled MRI. Magn. Reson. Med. 2022;88(1):406–417. https://doi.org/10.1002/mrm.29193

24. Li X, Zhao Y, Jiang J, et al. White matter hyperintensities segmentation using an ensemble of neural networks. Hum Brain Mapp. 2022;43(3):929–939. https://doi.org/10.1002/hbm.25695

25. Figurelle ME, Meyer DM, Perrinez ES, et al. Implementation of stroke augmented intelligence and communications platform to improve indicators and outcomes for a comprehensive stroke center and network. AJNR Am J Neuroradiol. 2023;44(1):47–53.