這篇論文回顧了人工智慧（AI）在缺血性中風影像學的進展，強調其在自動分割梗塞區域、大血管阻塞檢測及預測中風結果的應用。研究指出，機器學習（ML）和深度學習（DL）能提升診斷準確性，但仍面臨數據不足、模型可解釋性差及需即時更新等挑戰。此外，論文探討了大型語言模型的潛力，並強調建立大型公共數據庫的重要性。總之，儘管AI在缺血性中風管理上有潛力，但克服技術與實際挑戰對於臨床應用至關重要。 PubMed DOI

這項研究評估了大型語言模型（LLMs）在急性缺血性中風（AIS）患者的手術記錄中提取數據的有效性。分析了382份手術記錄，重點在30份，以指導LLMs提取關鍵特徵。六種LLMs的表現良好，平均準確率達95.09%，整體準確率為78.05%。GLM4和GPT-4在進階特徵提取上表現突出，準確率分別為84.03%和82.20%。LLMs的數據處理速度也顯著快於醫師，顯示出在AIS治療中改善臨床數據管理的潛力。 PubMed DOI

這項研究開發了一個機器學習模型，預測接受機械性血栓切除術的患者在治療前出現症狀性顱內出血的風險。研究分析了497名患者的數據，並將其分為訓練集和測試集。結果顯示，XGBoost模型在測試集中的表現最佳，AUC達到0.79，明顯優於邏輯回歸及其他臨床預測模型。SHAP分析指出，sICH的關鍵預測特徵包括較低的ASPECTS分數和較高的NIHSS分數。整體來看，這個機器學習模型在預測準確性上超越了傳統方法。 PubMed DOI

惡性腦水腫會導致腦部腫脹，壓迫中線結構，通常在中風後的第一週內發生。早期介入如高滲透療法或外科減壓能減輕損傷，但需謹慎進行。為了有效評估水腫進展，我們開發了動態機器學習模型HELMET，能實時預測中線位移的嚴重程度。HELMET包含HELMET-8和HELMET-24兩個模型，分別預測8小時和24小時內的變化，並在多個病人數據上驗證，準確率高達96.6%。這項研究提供了一個新框架，能即時估算臨床目標，對於有限的結構化數據也能有效運用。 PubMed DOI

這項研究探討了大型語言模型（LLMs）在急性缺血性中風（AIS）病例中的應用，特別是機械性血栓切除術（MT）的適應性。研究分析了100名AIS患者的數據，LLM根據放射學報告、神經症狀、發病資訊和患者年齡進行判斷。結果顯示，該AI模型的整體準確率達88%，特異性96%，敏感性80%，曲線下面積為0.92，顯示出LLMs在整合醫療數據方面的潛力，並鼓勵進一步探索其在臨床的應用。 PubMed DOI

這項研究開發了一個中風診斷與預測工具，利用ChatGLM-6B大型語言模型，透過分析電子健康紀錄和非對比電腦斷層掃描報告中的自由文本，來提升中風的檢測與治療。研究使用了1,885名患者的數據進行訓練和驗證，並在335名患者的外部測試中進行評估。結果顯示，內部驗證準確率高達99%，外部測試則為95.5%和79.1%。該模型在識別缺血性和出血性中風方面表現優異，並有潛力改善中風識別及患者預後。 PubMed DOI

AI 正在加速中風治療流程，提升篩選病人的精準度，也讓更多人能及時接受進階治療。不過，目前還有資料偏誤、透明度不足和驗證有限等問題待解決。未來需加強資料共享、發展可解釋系統、完善法規並持續臨床試驗，才能確保病人獲得安全又公平的治療。 PubMed DOI

這項研究開發了一套全自動化系統，能用腦部MRI和機器學習，快速預測中風患者的長期認知狀況。系統會自動分割病灶、分析腦網路，3分鐘內就能產出個人化報告，準確率高達96%。這技術有助未來臨床應用，幫助醫師規劃更精準的中風照護與復健。 PubMed DOI

這項研究開發了一套AI系統，能用大型語言模型自動從CT和MRI放射科報告中偵測新發急性或亞急性腦梗塞。模型在大量日文報告訓練下，對新發腦梗塞的敏感度高達0.891，整體準確率0.923，能快速分類並及早發出警示，協助臨床判斷。 PubMed DOI

雖然AI技術進步很快，但要在臨床上做到精確又能解釋的個人化治療，還是有不少困難。本研究開發的H-SYSTEM，結合醫學知識圖譜和AI模組，能幫助神經外科醫師處理高血壓性腦出血。測試結果顯示，H-SYSTEM在診斷和治療規劃的準確率超過91%，比醫師和大型語言模型還高，且在多家醫院都適用，顯示它有成為臨床決策好幫手的潛力。 PubMed DOI