論文の概要: DSA-NRP: No-Reflow Prediction from Angiographic Perfusion Dynamics in Stroke EVT

• arxiv url: http://arxiv.org/abs/2506.17501v2
• Date: Wed, 25 Jun 2025 23:15:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 11:26:03.741689
• Title: DSA-NRP: No-Reflow Prediction from Angiographic Perfusion Dynamics in Stroke EVT
• Title（参考訳）: DSA-NRP:ストロークEVTにおける血管造影灌流動態からの逆流予測
• Authors: Shreeram Athreya, Carlos Olivares, Ameera Ismail, Kambiz Nael, William Speier, Corey Arnold,
• Abstract要約: 持続的微小血管低灌流によって定義される非逆流は、組織回復を損なうとともに臨床結果の悪化を引き起こす。 標準的な臨床実践は、パルス後24時間以内に灌流磁気共鳴画像(MRI)に頼り、介入を遅らせる。 本稿では,血管内血栓摘出直後の血流の予測を行う機械学習フレームワークについて紹介する。
• 参考スコア（独自算出の注目度）: 2.5191548037496805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Following successful large-vessel recanalization via endovascular thrombectomy (EVT) for acute ischemic stroke (AIS), some patients experience a complication known as no-reflow, defined by persistent microvascular hypoperfusion that undermines tissue recovery and worsens clinical outcomes. Although prompt identification is crucial, standard clinical practice relies on perfusion magnetic resonance imaging (MRI) within 24 hours post-procedure, delaying intervention. In this work, we introduce the first-ever machine learning (ML) framework to predict no-reflow immediately after EVT by leveraging previously unexplored intra-procedural digital subtraction angiography (DSA) sequences and clinical variables. Our retrospective analysis included AIS patients treated at UCLA Medical Center (2011-2024) who achieved favorable mTICI scores (2b-3) and underwent pre- and post-procedure MRI. No-reflow was defined as persistent hypoperfusion (Tmax > 6 s) on post-procedural imaging. From DSA sequences (AP and lateral views), we extracted statistical and temporal perfusion features from the target downstream territory to train ML classifiers for predicting no-reflow. Our novel method significantly outperformed a clinical-features baseline(AUC: 0.7703 $\pm$ 0.12 vs. 0.5728 $\pm$ 0.12; accuracy: 0.8125 $\pm$ 0.10 vs. 0.6331 $\pm$ 0.09), demonstrating that real-time DSA perfusion dynamics encode critical insights into microvascular integrity. This approach establishes a foundation for immediate, accurate no-reflow prediction, enabling clinicians to proactively manage high-risk patients without reliance on delayed imaging.
• Abstract（参考訳）: 急性虚血性脳梗塞(AIS)に対する血管内血栓切除術(EVT)による大血管再灌流を成功させた患者の中には、組織回復を阻害し臨床成績を悪化させる持続的微小血管低灌流(英語版)によって定義される「no-reflow(no-reflow)」と呼ばれる合併症を経験する者もいる。 迅速な同定は重要であるが、標準的な臨床実践は、24時間以内に灌流磁気共鳴画像(MRI)に頼り、介入を遅らせる。 本研究は,これまでに探索されていないプロシージャ内デジタルサブトラクション血管造影(DSA)シーケンスと臨床変数を活用することで,EVT直後の非リフローを予測するための機械学習(ML)フレームワークを提案する。 対象はUCLAメディカルセンター (2011-2024) のAIS患者で, mTICIスコア (2b-3) は良好であり, 術前MRI, 術後MRIを施行した。 No-reflow は持続的低灌流 (Tmax > 6 s) と診断された。 DSA シークエンス (AP および lateral view ) から, 下流領域から統計的, 時間的灌流の特徴を抽出し, 逆流予測のためのML分類器を訓練した。 AUC: 0.7703 $\pm$ 0.12 vs. 0.5728 $\pm$ 0.12; 精度: 0.8125 $\pm$ 0.10 vs. 0.6331 $\pm$ 0.09 では、リアルタイムDSA灌流は、微小血管の完全性に対する重要な洞察をコードする。 このアプローチは、即時かつ正確なno-reflow予測の基礎を確立し、臨床医が遅延画像に依存することなく、ハイリスクな患者を積極的に管理できるようにする。

関連論文リスト

• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• In-Hospital Stroke Prediction from PPG-Derived Hemodynamic Features [34.880478990331916]
  病院内脳卒中発症タイムスタンプを非構造的臨床ノートから抽出するLLM支援データマイニングパイプラインを開発した。 次に、PSGから血行動態の特徴を抽出し、ResNet-1Dモデルを用いて、複数の早期警戒地平線を横断する差し迫ったストロークを予測する。 これらの結果は、PTGが発症の数時間前に脳卒中の予測的徴候を含むという実世界の臨床データから最初の実証的証拠となる。
  論文  参考訳（メタデータ） (2026-02-10T01:50:26Z)
• PUNCH: Physics-informed Uncertainty-aware Network for Coronary Hemodynamics [8.812266680285369]
  標準血管造影から冠血流量を直接推定するための非診断・不確実性認識フレームワークを提案する。 このシステムは、コントラスト輸送の第一原理モデルから冠血流を推定するために、物理インフォームドニューラルネットワークと変分推論を統合している。 パイプラインは、患者1人あたり約3分で、1つのGPU上で動作し、人口レベルのトレーニングは行わない。
  論文  参考訳（メタデータ） (2026-01-23T21:47:23Z)
• AI-based response assessment and prediction in longitudinal imaging for brain metastases treated with stereotactic radiosurgery [1.3844235712582453]
  脳転移(Brain Metastases, BM)は、がん患者の死亡率に大きく寄与する。 SRS(Stereotactic Radiosurgery)で治療し,MRI(Magnetic Resonance Imaging)で治療ガイドラインに従って経過観察する。 成長軌跡をよりよく理解し、治療の成功や毒性をできるだけ早く予測するために、縦断画像における治療に対する反応が研究されている。 本研究では, 約2カ月間隔で約360日以上観察された177例のSRS治療データを経時的に収集する自動パイプラインを構築し, 約896 BMのコホートを施行した。
  論文  参考訳（メタデータ） (2025-09-08T07:29:45Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Synthesizing Accurate and Realistic T1-weighted Contrast-Enhanced MR Images using Posterior-Mean Rectified Flow [3.024548464833694]
  造影強調(CE) T1強調MRIは神経腫瘍診断の中心であるが、ガドリニウムをベースとした薬剤が必要である。 非コントラスト入力からCE脳MRIを合成するための2段階後平均整流パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-08-18T05:55:57Z)
• Interpretable Machine Learning Model for Early Prediction of Acute Kidney Injury in Critically Ill Patients with Cirrhosis: A Retrospective Study [3.5626691568652507]
  肝硬変は進行性肝疾患であり、死亡率が高く、合併症も頻発する。 多くの予測ツールは、精度、解釈可能性、集中治療ユニット(ICU)との整合性を欠いている。 本研究は,肝硬変患者の早期AKI予測のための解釈可能な機械学習モデルを開発した。
  論文  参考訳（メタデータ） (2025-08-13T23:03:28Z)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Clinically Interpretable Mortality Prediction for ICU Patients with Diabetes and Atrial Fibrillation: A Machine Learning Approach [3.5626691568652507]
  集中治療室(ICU)における糖尿病(DM)と心房細動(AF)の死亡率の上昇 DMとAFを併用したICU患者において,28日間の死亡を予測できる解釈可能な機械学習モデルを開発した。
  論文  参考訳（メタデータ） (2025-06-18T22:04:12Z)
• Predicting Postoperative Stroke in Elderly SICU Patients: An Interpretable Machine Learning Model Using MIMIC Data [0.0]
  高齢者集中治療室(SICU)患者における術後脳卒中は重要な合併症である。 我々はMIMIC-IIIデータベースとMIMIC-IVデータベースから19,085名の高齢者SICU入院を併用したコホートを構築した。 最初の24時間集中治療室滞在からの臨床データを用いて,院内脳卒中を予測するための解釈可能な機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-06-02T22:53:12Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Tensor-based Multimodal Learning for Prediction of Pulmonary Arterial Wedge Pressure from Cardiac MRI [6.21112347271845]
  心不全は重篤で生命を脅かす状態であり、左心室の圧力を上昇させる可能性がある。 PAWPは左室の高圧を示す重要な代理マーカーである。 非侵襲的な方法は、人口の多い高リスク患者を迅速に同定するのに有用である。
  論文  参考訳（メタデータ） (2023-03-14T00:05:08Z)
• Risk Classification of Brain Metastases via Radiomics, Delta-Radiomics and Machine Learning [7.165205048529115]
  放射線学と機械学習 (ML) を用いて, 進行の進行のリスクが高い転移は, 腫瘍発生前の経過観察中に同定できると仮定した。 この分類は、最大関連最小冗長(MRMR)技術とサポートベクトルマシン(SVM)により実現される。 以上の結果から,SRT後フォローアップにおける放射能および機械学習に基づくBMのリスク階層化は,良好な精度で可能であり,SRT後フォローアップのパーソナライズと改善のためにさらに追求すべきであることが示唆された。
  論文  参考訳（メタデータ） (2023-02-17T10:55:18Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• autoTICI: Automatic Brain Tissue Reperfusion Scoring on 2D DSA Images of Acute Ischemic Stroke Patients [7.239126951855493]
  脳梗塞の血栓溶解は急性期脳梗塞再灌流療法における重要な指標である。 既存のTICIスコアは、視覚検査に基づいて粗い順序付けで定義され、サーバ間およびサーバ内変動を引き起こす。 本稿では,自動的かつ定量的なTICIスコアリング手法であるAutoTICIを提案する。
  論文  参考訳（メタデータ） (2020-10-03T22:06:55Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。