Neurologische Erkrankungen sind weltweit die häufigste Ursache für Invalidität und die zweithäufigste Todesursache (Feigin et al., 2020). Bei neurologischen Fragestellungen kommen im Wesentlichen bildgebende Verfahren zur Anwendung, die große Mengen an komplexen Daten liefern, wie die Magnetresonanztomographie (MRT), die Computertomographie (CT) und nuklearmedizinische Verfahren. Deshalb beschäftigt sich ein großer Teil der Forschung zum Einsatz von künstlicher Intelligenz (KI) in der Radiologie mit neurologischen Erkrankungen. Tatsächlich fokussieren sich 29 % bis 38 % aller kommerziell verfügbaren KI-Anwendungen in der Radiologie auf das Gehirn oder die Wirbelsäule. Das sind prozentual mehr als für jede andere anatomische Region (AI Central).
Die meisten Anwendungen sollen Radiologen unterstützen, indem sie ihnen bei der Befundung der Bilder helfen und damit unter anderem die Effektivität ihrer Arbeit steigern, oder indem sie beispielsweise durch detailliertere quantitative Auswertung der Neuroimaging-Daten die Möglichkeiten des Radiologen erweitern (Olthof et al., 2020). In diesem eBook werden die häufigsten KI-Anwendungen in der Neuroradiologie zusammen mit der verfügbaren unterstützenden Evidenz diskutiert.
Intrakranielle Hämorrhagie
Jedes Jahr erleiden weltweit etwa 3,4 Millionen Menschen eine akute intrakranielle Hämorrhagie (ICH) (World Stroke Organisation, 2022). Die ICH geht mit einer hohen Morbidität und Mortalität einher und erfordert häufig ein sofortiges neurochirurgisches Eingreifen oder engmaschige klinische und bildgebende Kontrollen (Broderick et al., 2007; van Asch et al., 2010). Insbesondere bei Patienten mit akuten neurologischen Defiziten und Verdacht auf Schlaganfall ist der Nachweis einer akuten intrakraniellen Hämorrhagie von entscheidender Bedeutung, da diese eine absolute Kontraindikation für eine intravenöse Thrombolyse darstellt (Fugate & Rabinstein, 2015).
In der Notfallmedizin werden ICH-Verdachtsfälle üblicherweise zunächst mit einem Schädel-CT ohne Kontrastmittel (NCCT) untersucht. Der Grund dafür ist, dass das CT in der breite verfügbar, schnell und in Bezug auf ICH hoch-sensitiv ist. Darüber hinaus gibt es relativ wenige Kontraindikationen (A. Jain et al., 2021). Die Alternative ist das MRT, die eine höhere Sensitivität für sehr kleine und chronische Blutungen bietet, aber mehr Zeit in Anspruch nimmt, weniger gut verfügbar und teurer ist und bei einigen Patienten kontraindiziert ist (Chalela et al., 2007).
In einer Studie, welche Fehlermuster beim Erkennen von ICH durch in der Facharztausbildung befindliche radiologische Assistenzärzte untersuchte, fanden die Wissenschaftler bei 4,6 % der von den Assistenzärzten über Nacht befundeten Untersuchungen Abweichungen und 13,6 % dieser Abweichungen bestanden darin, dass Blutungen im Befund der Assistenzärzte nicht oder nicht korrekt dokumentiert waren (Strub et al., 2007). Intrakranielle Blutungen lassen sich einteilen in intraparenchymale Blutungen, intraventrikuläre Blutungen, Subduralblutungen, Epiduralblutungen und Subarachnoidalblutungen. Dabei werden Subdural- und Subarachnoidalblutungen häufig übersehen, insbesondere wenn sie sehr klein sind (Strub et al., 2007).
Zudem werden normale anatomische Gegebenheiten im Gehirn und Bildartefakte von noch in der Ausbildung befindlichen radiologischen Assistenzärzten oft als intrakranielle Hämorrhagie fehlinterpretiert (Erly et al., 2002).
Die meisten KI-basierten Anwendungen für die Detektion und Klassifikation von intrakraniellen Hämorrhagien nutzen Daten von CT-Untersuchungen ohne Kontrastmittelgabe (NCCT) und basieren auf konvolutionalen neuronalen Netzen. Mit wenigen Ausnahmen (Bar et al., 2019; Wang et al., 2021; Ye et al., 2019) ist es bei den meisten Anwendungen nicht einfach, eine sehr detaillierte Beschreibung der Netzwerkarchitektur zur erhalten. Menge und Qualität, der für das Training dieser Algorithmen verwendeten Daten variieren stark und reichen von Hunderten (Bar et al., 2019; Heit et al., 2021) über Tausende (McLouth et al., 2021; Rava, Seymour, et al., 2021) bis hin zu Zehntausenden (Chilamkurthy et al., 2018; Gibson et al., 2022; Ginat, 2021) von NCCT-Untersuchungen.
Neben der Beantwortung der Fragestellung, ob eine ICH vorliegt oder nicht, wurden KI-basierte Algorithmen auch für die Einteilung in ICH-Unterformen (Chilamkurthy et al., 2018; Gibson et al., 2022; Wang et al., 2021; Ye et al., 2019), den Nachweis von Begleitbefunden wie Masseneffekten, Mittellinienverlagerung und Frakturen (Chilamkurthy et al., 2018) und zur Segmentierung und Volumetrie der Hämorrhagie (Bar et al., 2019; Gibson et al., 2022; Heit et al., 2021) verwendet. Eine der KI-basierten Anwendungen liefert darüber hinaus eine Einschätzung des Unsicherheitsgrades der Entscheidung des Algorithmus, um dem Radiologen die Interpretation des Algorithmus-Outputs zu erleichtern (Gibson et al., 2022).
Bezogen auf die ICH-Unterformen zeigen die KI-basierten Anwendungen aus den erwähnten Studien im Allgemeinen die höchste Sensitivität für intraventrikuläre Hämorrhagien (Chilamkurthy et al., 2018; Gibson et al., 2022; McLouth et al., 2021; Wang et al., 2021), was vermutlich auf den großen Dichteunterschied zwischen Zerebrospinalflüssigkeit und Blut im CT zurückzuführen ist. Die Sensitivität für Subarachnoidalblutungen ist bei allen Anwendungen relativ gering (Gibson et al., 2022; McLouth et al., 2021; Rava, Seymour, et al., 2021; Wang et al., 2021; Ye et al., 2019), möglicherweise weil diese eher klein und/ oder knöchernen Strukturen oder hyperdensen CT-Artefakten (z. B. in den Basalzisternen) angelagert sind. Andere Anwendungen hatten auch eine relativ geringe Sensitivität für Subduralblutungen, insbesondere wenn diese in weniger üblichen Lokalisationen wie beispielsweise entlang der Falx cerebri auftraten (Chilamkurthy et al., 2018; Rao et al., 2021; Wang et al., 2021; Ye et al., 2019). Darüber hinaus ist die Sensitivität auch bei kleineren Blutungen, die je nach Studie als solche mit einem Volumen von < 1,5 ml oder < 5 ml definiert sind, tendenziell geringer (Heit et al., 2021; McLouth et al., 2021; Rava, Seymour, et al., 2021). Lediglich in einer der genannten Studien wurde systematisch der Einfluss von unterschiedlichen Geräteherstellern und Untersuchungsparametern auf die Leistungsfähigkeit von KI-basierten Anwendungen im Rahmen der ICH-Diagnostik untersucht (McLouth et al., 2021).
In einigen Studien erfolgte ein direkter Vergleich der Leistungsfähigkeit von KI-basierten Anwendungen mit der von Experten. In einer Studie an 160 NCCT-Untersuchungen (49 % mit ICH), in der die Befundung durch einen neuroradiologischen Facharzt als Ground Truth verwendet wurde, erzielte ein konvolutionales neuronales Netz (CNN) vom U-Net-Typ eine geringere Sensitivität (91 %) und Spezifität (89 %) als zwei in der Facharztausbildung befindliche neuroradiologische Assistenzärzte (Sensitivität von 99-100 % und Spezifität von 98 %) (Schmitt et al., 2022). In einer anderen Studie wurden Interpretationen einer von der FDA zugelassenen und das CE-Zeichen tragenden KI-basierten Anwendung mit den als Ground Truth verwendeten Befunden eines Gremiums aus drei neuroradiologischen Fachärzten verglichen.
Die KI-basierte Anwendung erzielte die gleiche Sensitivität wie ein neuroradiologischer Facharzt (91,9 %), allerdings war die Spezifität der Anwendung wesentlich niedriger (Anwendung: 84,4 %; Facharzt: 99,6 %) (Eldaya et al., 2022). Eine andere KI-basierte Anwendung hatte eine höhere Sensitivität und etwas geringere Spezifität für ICH als in der Ausbildung befindliche Radiologen (Ye et al., 2019). Duraverdickungen, Kalzifzierungen der Dura oder des Parenchyms sowie Bewegungs- und Streifenartefakte werden von KI-basierten Anwendungen besonders häufig als ICH fehlinterpretiert (Bar et al., 2019; Eldaya et al., 2022; Rao et al., 2021).
Während in zahlreichen Studien die diagnostische Genauigkeit von KI-basierten Anwendungen bei der ICH-Diagnostik untersucht wurde, ist ein weiterer potenzieller Nutzen eines KI-basierten ICH-Screenings die schnellere Befundung, die eine frühere Versorgung des Patienten ermöglichen kann. Auch wenn der Einfluss eines KI-basierten Screenings auf den zeitlichen Ablauf nur in weniger Studien untersucht wurde, unterstützen die Ergebnisse einiger Studien eine schnellere Befundung. In einer Studie an 620 NCCT-Untersuchungen betrug die Zeit vom Ende der Untersuchung bis zum Vorliegen des Befunds 73 Minuten, wenn die KI den menschlichen Befunder über einen positiven Befund unterrichtete, und ohne eine solche Unterrichtung 132 Minuten (Wismüller & Stockmaster, 2020). In einer anderen Studie war der Einsatz der KI-basierten Anwendung mit einer kürzeren Aufenthaltsdauer des Patienten in der Notaufnahme assoziiert (561 Minuten vs. 781 Minuten ohne KI) (Chien et al., 2022).
Akuter ischämischer Schlaganfall
Verschluss großer Gefäße
Bei Patienten mit akutem ischämischem Schlaganfall ist es für eine rechtzeitige Behandlung essentiell, dass ein Verschluss großer Gefäße im Gehirn schnell erkannt wird. Im Allgemeinen bezieht sich die Bezeichnung „Verschluss großer Gefäße“ (LVO für engl. Large Vessel Occlusion) auf Arterien, die groß genug sind, um mittels mechanischer Thrombektomie behandelt zu werden. Dazu gehören nach aktuellem Stand die Arteria carotis interna, die proximalen Anteile der Arteria cerebri media (M1 und M2), anterior (A1) und posterior (P1) sowie die Arteria basilaris (Mokin et al., 2019; Pirson et al., 2022).
LVOs werden entweder mittels digitaler Subtraktionsangiographie, CT-Angiographie oder MR-Angiographie direkt oder mit nicht-angiographischen Techniken indirekt nachgewiesen. In der Angiographie erscheint ein Gefäßverschluss als plötzliche Unterbrechung entweder der Kontrastmittelfüllung einer Arterie (bei Angiographien mit Kontrastverstärkung) oder des Flusssignals (bei Techniken ohne Kontrastverstärkung wie der Time-of-Flight-MR-Angiographie). Dabei kann eine Kontrastmittelfüllung oder ein Flusssignal distal der Verschlussstelle vorliegen oder nicht. Indirekte Hinweise auf eine LVO in nicht-angiographischen bildgebenden Verfahren sind ein hyperdenses Gefäß in einer NCCT-Aufnahme (welches den verschließenden Thrombus darstellt) (Gács et al., 1983) bzw. ein auf einen Thrombus hinweisendes „Susceptibility Sign“ auf T2*- oder suszeptibilitätsgewichteten MRT-Aufnahmen (Flacke et al., 2000).
Die meisten KI-basierten Lösungen für den LVONachweis nutzen die CT-Angiographie (Amukotuwa et al., 2019; Murray et al., 2020; Rava, Peterson, et al., 2021; Wardlaw et al., 2022; Yahav-Dovrat et al., 2021), andere NCCT-Aufnahmen (Lisowska et al., 2017; Olive-Gadea et al., 2020). Die meisten Anwendungen konzentrierten sich bislang auf LVOs der intrakraniellen Arterien des vorderen Kreislaufs (Adhya et al., 2021; Amukotuwa et al., 2019; Dehkharghani et al., 2021; Rava, Peterson, et al., 2021), was die Tatsache widerspiegelt, dass mechanische Thrombektomien bei Gefäßverschlüssen im hinteren Kreislauf deutlich seltener erfolgen (Adusumilli et al., 2022).
In einer Übersichtsarbeit zur Leistungsfähigkeit von KI-basierten Anwendungen beim LVO-Nachweis lagen die Sensitivitäten im Bereich von 80-96 % und die Spezifitäten im Bereich von 90-98 % (Wardlaw et al., 2022). In den in der Übersichtsarbeit berücksichtigten Studien waren falsch-positive Befunde meist auf arterielle Stenosen, eine intrakranielle Hämorrhagie, hypervaskuläre Tumoren oder distale Gefäßverschlüsse, die nicht die Kriterien für einen LVO erfüllen, zurückzuführen (Amukotuwa et al., 2019; Yahav-Dovrat et al., 2021). Leider gibt es für einige das CE-Zeichen tragende KI-basierte Anwendungen, darunter solche für den LVO-Nachweis, keine veröffentlichten Daten zur klinischen Leistungsfähigkeit (van Leeuwen et al., 2021).
Zum Zeitpunkt des Verfassens dieses eBooks liegt nur eine Studie zur Kosteneffektivität von KI-basierten Lösungen beim LVO-Nachweis vor. Diese Studie kommt zu dem Ergebnis, dass unter der Annahme, dass Kliniker 6 % der LVOs nicht erkennen und KI diesen Wert auf die Hälfte reduzieren kann, da durch wären im Vereinigten Königreich jährlich Kosteneinsparungen in Höhe von 11 Millionen USD erzielbar (van Leeuwen, Meijer, et al., 2021).
Da LVOs von radiologischen Fachärzten und in der Ausbildung befindlichen Radiologen in Angiographien in der Regel erkannt werden (Duvekot et al., 2021), liegt der potenzielle Nutzen einer KI-basierten LVO-Detektion primär in der früheren Therapie, die durch eine schnellere Befundung ermöglicht wird. Bei einigen der derzeit verfügbaren Anwendungen dauert die Verarbeitung der Daten und Entscheidungsfindung bezüglich des Vorliegens einer LVO zwischen etwa 1 und 3,5 Minuten (Amukotuwa et al., 2019; Dehkharghani et al., 2021; Olive-Gadea et al., 2020). Einige Anwendungen gingen mit einer Beschleunigung von Abläufen einher: So konnte die Zeit zwischen der bildgebenden Untersuchung bis zur Verlegung des Patienten in ein Krankenhaus, in dem eine mechanische Thrombektomie durchgeführt werden konnte, um etwa 22,5 Minuten (Hassan et al., 2020), die Zeit vom Eintreffen des Patienten im Krankenhaus bis zur Benachrichtigung des zuständigen (neuroendovaskulären) Operationsteams um etwa 15 Minuten (Morey et al., 2021) und die Zeit von der bildgebenden Untersuchung bis zur Leistenpunktion bei mechanischer Thrombektomie um etwa 25 Minuten (Adhya et al., 2021) verkürzt werden.
Frühe ischämische Veränderungen im Hirngewebe
Im CT sind frühe Hirngewebeveränderungen bei Ischämie die Gewebeschwellung und eine verminderte Gewebeabschwächung durch ein ionisches Ödem (Marks et al., 1999). Diese Veränderungen sind in von Radiologen verwendeten Instrumenten für die visuelle Beurteilung integriert, deren verbreitetstes der ASPECTS-Score (Alberta Stroke Program Early CT Score) ist. Der ASPECTS-Score kann helfen, sowohl funktionelle Ergebnisse als auch das Auftreten einer symptomatischen intrakraniellen Hämorrhagie nach intravenöser Thrombolyse vorherzusagen (Schröder & Thomalla, 2016). Die meisten KI-basierten Anwendungen zum frühen Nachweis ischämischer Veränderungen in NCCT-Untersuchungen liefern eine automatisierte Bewertung mittels ASPECTS (Wardlaw et al., 2022). Andere Anwendungen zielen darauf ab, frühe ischämische Veränderungen mittels CT-Angiographie (Abdelkhaleq et al., 2021; Öman et al., 2019) oder CT-Perfusion (Hakim et al., 2021) zu erkennen.
Die Mehrzahl der KI-basierten Algorithmen zum Nachweis früher ischämischer Veränderungen im CT verwenden als Referenzstandard visuelle Befundungen von NCCT-Aufnahmen durch Radiologen, Neuroradiologen und andere Ärzte (Goebel et al., 2018; Hoelter et al., 2020; Kniep et al., 2020; Maegerlein et al., 2019; Seker et al., 2019), und einige arbeiten mit diffusionsgewichteten MRT-Aufnahmen (Abdelkhaleq et al., 2021; Herweh et al., 2016; H. Kuang et al., 2019; Qiu et al., 2020) oder dem mittels CT-Perfusion definierten Infarktkern (Olive-Gadea et al., 2019). Die meisten dieser Anwendungen verwenden das Random-Forest-Verfahren (Guberina et al., 2018; Herweh et al., 2016; Kniep et al., 2020; H. Kuang et al., 2019; Maegerlein et al., 2019; Nagel et al., 2017; Olive-Gadea et al., 2019; Qiu et al., 2020) oder konvolutionale neuronale Netze (Öman et al., 2019). Darüber hinaus befassten sich zahlreiche Studie mit der automatisierten Identifikation früher ischämischer Veränderungen auf diffusionsgewichteten MRT-Aufnahmen (Boldsen et al., 2018; Mohd Saad et al., 2019; Nazari-Farsani et al., 2020; Siddique et al., 2022; Song, 2019; Wong et al., 2022), was in der akuten Situation eine hoch-sensitive aber nicht breit verfügbare Methode ist.
Ähnlich wie bei den LVO-Anwendungen gibt es für einige das CE-Zeichen tragende KI-basierte Lösungen zum Nachweis früher ischämischer Veränderungen keine öffentlich verfügbaren Daten zu ihrer Leistungsfähigkeit (van Leeuwen et al., 2021). Der Algorithmus mit den umfangreichsten publizierten Daten ist ein Random-Forest-Ansatz für die ASPECTS-Bewertung, welcher sich mit einer Sensitivität von 44 % und Spezifität von 93 % (bei Anwendung von CT-Folgeaufnahmen als Ground Truth) als nicht-unterlegen gegenüber der Befundung durch einen Neuroradiologen erwies (Nagel et al., 2017). In einer anderen Studie zum gleichen Algorithmus und mit gleichem Ground-Truth-Ansatz wurde mit dem Algorithmus eine höhere Sensitivität (83 % vs. 73 %) aber geringere Spezifität (57 % vs. 84 %) bei der ASPECTS-Bewertung im Vergleich zur Befundung durch einen Neuroradiologen erzielt (Guberina et al., 2018). In einer dritten Studie schnitt dieser Algorithmus bei der ASPECTS-Bewertung besser ab als Neurologen und in der Facharztausbildung befindliche neurologische Assistenzärzte und vergleichbar gut wie Neuroradiologen (Ferreti et al., 2020).
Insgesamt gibt es wenige direkte Vergleichsstudien zu unterschiedlichen KI-basierten Anwendungen für den Nachweis früher ischämischer Veränderungen in NCCT-Aufnahmen (Goebel et al., 2018; Hoelter et al., 2020). In einer Studie wurden drei kommerziell erhältliche Anwendungen (zwei auf maschinellem Lernen und eine auf Densitometrie basierend) bei 131 Patienten verglichen (Hoelter et al., 2020). In der Studie erzielten die KI-basierten Anwendungen im Vergleich zum Konsens von drei Neuroradiologen eine Fläche unter der Kurve (AUC) zwischen 0,73 und 0,76.
Die visuelle Beurteilung von frühen ischämischen Veränderungen auf NCCT-Aufnahmen ist in der hinteren Schädelgrube, wo häufig die Interpretation behindernde Artefakte auftreten, besonders schwierig (Hwang et al., 2012). In einer Kohorte von 69 Patienten mit Basilararterienverschluss, bei denen innerhalb von 6 Stunden nach Symptombeginn eine Untersuchung mittels NCCT erfolgte, identifizierte ein Random-Forest-basierter Algorithmus frühe ischämische Veränderungen im hinteren Kreislauf mit einer AUC zwischen 0,70 (im Cerebellum) und 0,82 (im Thalamus), wobei NCCT-Folgeuntersuchungen als Ground Truth verwendet wurden (Kniep et al., 2020). Neben der anatomischen Lokalisation haben mehrere weitere Faktoren Einfluss auf die Nachweisbarkeit früher ischämischer Veränderungen in NCCT-Aufnahmen. In einer Studie fiel die Genauigkeit der ASPECTS-Bewertung je nach Art der verwendeten CT-Rekonstruktion unterschiedlich aus, wobei ein automatisierter Algorithmus über die unterschiedlichen untersuchten CT-Rekonstruktionen hinweg eine einheitlichere Leistungsfähigkeit zeigte als in der Ausbildung befindliche Radiologen oder radiologische Fachärzte (Seker et al., 2019). Darüber hinaus verbessert sich die Genauigkeit sowohl humaner als auch KI-basierter ASPECTS-Bewertungen mit zunehmender Zeit zwischen Symptombeginn und NCCT-Untersuchung, weil dann die frühen ischämischen Veränderungen deutlicher hervortreten (Potreck et al., 2022).
Schlaganfälle mit unbekanntem Symptombeginn
Für die adäquate Behandlung eines Schlaganfalls ist es entscheidend, die seit Symptombeginn verstrichene Zeit zu kennen, da eine intravenöse Thrombolyse nur innerhalb von 4,5 Stunden nach Symptombeginn indiziert ist (Powers et al., 2018). Allerdings ist der Zeitpunkt des Symptombeginns nicht immer eindeutig zu bestimmen, beispielsweise bei Patienten mit Aufwach-Schlaganfall. In einer populationsbasierten Studie zu Patienten, welche eine Notfallambulanz aufsuchten, lag bei etwa 14 % der Patienten ein solcher Aufwach-Schlaganfall vor (Mackey et al., 2011). Es gibt mehrere auf bildgebenden Verfahren beruhende Ansätze zur Identifikation von Patienten, die sich im Thrombolyse-Zeitfenster befinden.
Ein eingehend untersuchter Ansatz ist der Nachweis einer akuten Schlaganfall-Läsion auf diffusionsgewichteten (DWI) MRT-Aufnahmen bei Fehlen einer solchen Läsion in mittels „Fluid-Attenuated Inversion Recovery“ (FLAIR) arbeitenden MRT-Sequenzen (Ebinger et al., 2010; Thomalla et al., 2011; Thomalla et al., 2018). Die automatisierte Interpretation von DWI- und FLAIR-MRT-Aufnahmen ist ebenfalls ein Ziel KI-basierter Algorithmen, welche Radiologen unterstützen sollen.
Ansätze für eine KI-basierte Klassifikation der Zeit seit dem Schlaganfall umfassen CNNs (Polson et al., 2022) sowie eine Kombination aus verschiedenen auf maschinellem Lernen basierenden Algorithmen (Jiang et al., 2022; H. Lee et al., 2020; Zhu et al., 2021). Einige Studien verwendeten einen Radiomik-basierten Ansatz mit Segmentierung von DWI- und FLAIR-Läsionen, Extraktion unterschiedlicher Bildmerkmale aus diesen und anschließender Einspeisung dieser Merkmale in verschiedene Klassifikations-Algorithmen (Jiang et al., 2022; H. Lee et al., 2020; Zhu et al., 2021).
In mehreren Studien lieferte die KI-basierte Klassifikation der Zeit seit Eintreten des Schlaganfalls höhere Sensitivitäten aber geringere Spezifitäten als die visuelle Befundung durch Radiologen (H. Lee et al., 2020; Polson et al., 2022). Dabei wurden Sensitivitäten von 73-86 % und Spezifitäten von 68-85 % genannt (Jiang et al., 2022; H. Lee et al., 2020; Polson et al., 2022; Zhu et al., 2021). In einer Studie, in der ein Radiomik-basierter Ansatz auf Grundlage von lediglich den DWI- und T1-gewichteten Aufnahmen in Kombination mit einem Deep-Learning- Algorithmus verwendet wurde, wurde in Bezug auf die Identifikation von Patienten, die sich im Thrombolyse- Zeitfenster befanden, eine Sensitivität von 95 % und eine Spezifität von 50 % beobachtet (Y.-Q- Zhang et al., 2022).
Traumatische Hirnschädigung
Eine akute traumatische Hirnschädigung ist ein plötzliches physikalisches Trauma, welches das Gehirn schädigt. Mögliche Manifestationen sind unter anderem ICH, diffuse axonale Schädigung und Schädelund Gesichtsfrakturen. Darüber hinaus lassen sich in der Bildgebung Folgeerscheinungen einiger dieser Manifestationen wie Mittellinienverlagerung und Hirnprolaps nachweisen, welche in schweren Fällen eine Notfalltherapie erfordern können (Schweitzer et al., 2019).
Nicht-dislozierte Schädelfrakturen ohne ICH werden konservativ behandelt (Skull Fractures, o.D.), und wenige Studien haben sich mit ihrem Nachweis mittels KI-basierter Verfahren beschäftigt. Vor kurzem wurden jedoch Versuche unternommen, in NCCT-Aufnahmen erkannte Schädelfrakturen zu klassifizieren.
Ein an 174 NCCT-Aufnahmen (103 mit Frakturen) trainierter Multi-Label-Learning-Ansatz erzielte im Hinblick auf den Nachweis von Schädelfrakturen eine Präzision von 98 % und eine Spezifität von 92 % (Emon et al., 2022). Die niedrigste Präzision und Spezifität wurde für eingedrückte Frakturen und die höchste Präzision und Spezifität für lineare Frakturen und Gesichtsfrakturen erreicht. Mit einem auf Deep Learning basierenden Ansatz, der darauf abzielte, kritische Befunde im Schädel- CT ohne Kontrastmittelgabe zu identifizieren, wurde im Hinblick auf den Nachweis von Schädelfrakturen eine Sensitivität von 81,2-87,2 % und eine Spezifität von 77,5-86,1 % erzielt (je nach Test-Datensatz) (Chilamkurthy et al., 2018). In der gleichen Studie wurden Mittellinienverlagerung und Masseneffekt, zwei häufige Folgen von traumatisch bedingten ICH, mit einer Sensitivität von 87,5-90,1 % bzw. 70,9-81,2 % und einer Spezifität von 83,7-89,4 % bzw. 61,6-73,4 % (je nach Test- Datensatz) identifiziert. Ein Algorithmus, in dem eine Extraktion morphologischer Schädelmerkmale mit CNNs kombiniert wurde und der an 25 NCCT-Untersuchungen von Patienten mit Schädeltrauma trainiert und an 10 entsprechenden NCCT-Untersuchungen getestet wurde, erzielte eine durchschnittliche Präzision für den Nachweis von Schädelfrakturen von 60 % (Z. Kuang et al., 2020). Ein weiterer Deep-Learning-Algorithmus erkannte in einer Serie von 150 Postmortem-Schädel-CTs Schädelfrakturen mit einer Sensitivität von 91,4 % und einer Spezifität von 87,5 % (Heimer et al., 2018).
Neurodegenerative Erkrankungen
Viele neurologische Erkrankungen lassen sich als neurodegenerativ beschreiben, üblicherweise wird der Begriff jedoch für chronische neurologische Erkrankungen verwendet, die mit einem allmählichen Verlust von Gehirngewebe einhergehen und im Allgemeinen zu Demenz und/oder Störungen der motorischen Funktion führen (Lamptey et al., 2022). Mehr als jeder fünfte von der FDA freigegebene und das CE-Zeichen tragende KI-basierte Algorithmus zielt auf Patienten mit Demenz ab (AI for Radiology, o.D.). Die meisten dieser Algorithmen berechnen automatisiert regionale Gehirnvolumina, messen die Cortex-Dicke und liefern quantitative Werte für Läsionen der weißen Substanz, die durch eine zerebrale Mikroangiopathie verursacht sind (AI for Radiology, o.D.).
Es gibt zahlreiche krankheitsspezifische KI-basierte Algorithmen zur Beurteilung der Alzheimer-Demenz (AD). Die AD ist pathologisch durch extrazelluläre β-Amyloid-Plaques und intrazelluläre Tau-haltige Neurofibrillen gekennzeichnet, welche zunehmende amnestische und nicht-amnestische kognitive Beeinträchtigungen zur Folge haben (Knopman et al., 2021). Einige dieser Algorithmen können anhand von MRT-Daten zwischen Patienten mit AD und Personen mit normalen kognitiven Fähigkeiten unterscheiden, wobei die Sensitivitäten im Bereich von 78-99,1 % und die Spezifitäten im Bereich von 70-92,68 % liegen (Battineni et al., 2022). Ein auf nichtlinearen Support Vector Machines basierender Ansatz war in der Lage, mit einer Genauigkeit von 84 % zwischen einer AD und anderen Demenz-Syndromen wie der Frontotemporallappendegeneration zu unterscheiden (Davatzikos et al., 2008).
Vor dem Hintergrund der Annahme, dass therapeutische Interventionen im Prodromalstadium der AD möglicherweise besonders wirksam sind, wurde versucht, den Übergang vom Prodromalstadium der AD auf eine klinische AD vorherzusagen (Crous-Bou et al., 2017).
Der Begriff leichte kognitive Beeinträchtigung (LKB) beschreibt einen Zustand, in dem die Betroffenen ausgeprägtere kognitive Defizite haben als altersgemäß zu erwarten wäre, diese jedoch die Alltagsaktivitäten nicht wesentlich beeinträchtigen (Petersen, 2016). Verschiedene KI-basierte Ansätze wurden verwendet, um den Übergang von einer LKB auf eine AD vorherzusagen, und erzielten dabei eine Genauigkeit von 66-92 % (Amoroso et al., 2018; Bron et al., 2015; Lebedev et al., 2014; G. Lee et al., 2019; Lu et al., 2018; Moradi et al., 2015; Ocasio & Duong, 2021; Salvatore et al., 2015; Spasov et al., 2019).
Auch beim Morbus Parkinson (MP) gilt eine frühe Diagnosestellung als für die wirksame Behandlung wichtig (Pagan, 2012). Der MP ist eine weitere häufige neurodegenerative Erkrankung und pathologisch durch den Untergang von dopaminergen Neuronen in der Substantia nigra gekennzeichnet. Es wird geschätzt, dass zum Zeitpunkt des Auftretens motorischer Symptome, welche dann auf die klinische Diagnose eines MP hinweisen, bereits mehr als 60 % der dopaminergen Neuronen des Gehirns untergegangen sind (GBD 2016 Parkinson’s Disease Collaborators, 2018). Es wurden mehrere auf maschinellem Lernen basierende Ansätze entwickelt, um zwischen Personen mit MP und gesunden Kontrollpersonen zu unterscheiden. Dabei wurden morphologische Merkmale verwendet, welche generiert wurden mittels struktureller MRT (Adeli et al., 2016; Chakraborty et al., 2020; Peng et al., 2017), funktioneller MRT (Long et al., 2012; Pläschke et al., 2017; Tang et al., 2017), Positronenemissionstomographie (PET) (Piccardo et al., 2021) und Single-Photon- Emissionscomputertomographie (SPECT) (Choi et al., 2017; Hirschauer et al., 2015; Ozsahin et al., 2020), häufig in Kombination mit klinischen Scores.
Da die motorischen Symptome bei MP Überschneidungen mit den Symptomen anderer neurologischer Erkrankungen zeigen, lässt sich die Diagnose MP häufig nicht allein auf Grundlage der klinischen Merkmale sichern (Rizzo et al., 2016). Besonders schwierig ist es, einen idiopathischen MP anhand von klinischen Merkmalen von atypischen Parkinson-Syndromen wie der Multisystem-Atrophie und der progressiven supranukleären Parese abzugrenzen (Rizzo et al., 2016). In einer frühen Studie wurde das Potenzial des Neuroimagings für diese Unterscheidung genutzt und Support Vector Machine Learning eingesetzt, um einen idiopathischen MP von anderen Parkinsonismus-Ursachen abzugrenzen. Anhand von Diffusions-Tensor-Bildgebung wurde dabei eine Sensitivität von 94 % und eine Spezifität von 100 % erzielt (Haller et al., 2012). Mehrere weitere Studien zeigten eine hohe Genauigkeit bei der Unterscheidung zwischen einem idiopathischen MP und atypischem Parkinsonismus auf Grundlage von struktureller MRT (Duchesne et al., 2009; Focke et al., 2011; Huppertz et al., 2016; Marquand et al., 2013; Salvatore et al., 2014), suszeptibilitätsgewichteter Bildgebung (Haller et al., 2013) und einer Kombination aus Diffusions-Tensor-Bildgebung und struktureller MRT (Cherubini et al., 2014).
Darüber hinaus wurden Studien durchgeführt, in denen Modelle des maschinellen Lernens zur Unterstützung therapeutischer Entscheidungen bei MP genutzt wurden. Eine Studie mit 67 Patienten mit MP ergab, dass sich anhand von aus der funktionellen MRT extrahierten Merkmalen mit einer Genauigkeit von 88 % optimale von suboptimalen Parametern für eine tiefe Hirnstimulation abgrenzen ließen (Boutet et al., 2021). Dies könnte helfen, den aktuell langen, teuren und umständlichen Prozess der umfangreichen klinischen Testung zur Optimierung von Parametern für die tiefe Hirnstimulation bei Patienten mit MP zu optimieren.
Multiple Sklerose
Die Multiple Sklerose (MS) ist eine häufige Autoimmunkrankheit des Zentralnervensystems, die pathologisch durch eine entzündliche Demyelinisierung gekennzeichnet ist und zu einem breiten Spektrum von neurologischen Manifestationen führt (McGinley et al., 2021). Bei der Diagnosestellung und Behandlung der MS spielt die MRT eine wichtige Rolle. Sie ist auch das bildgebende Verfahren der Wahl für die quantitative Beurteilung und Einteilung von MS-Läsionen im Gehirn und Rückenmark (Matthews et al., 2016). Bildgebende Merkmale sind ein wesentlicher Bestandteil der diagnostischen Merkmale der MS (Thompson et al., 2018), und Leitlinien empfehlen für die Verlaufskontrolle der Patienten und therapeutische Entscheidungen die MRT (Wattjes et al., 2015). Mehrere KI-basierte Algorithmen für die quantitative Beurteilung einer Hirnatrophie und die automatisierte Segmentierung von MS-Läsionen wurden von der FDA freigegeben und erhielten das CE-Zeichen (Cavedo et al., 2022; Qubiotech Neurocloud Vol, 2021; Zaki et al., 2022).
Zahlreiche bei der MS angewendete KI-basierte Algorithmen zielen auf die automatisierte Extraktion von bildgebenden Merkmalen ab (Afzal et al., 2022; Bonacchi et al., 2022; Eichinger et al., 2020; Moazami et al., 2021). Die visuelle Beurteilung des Vorliegens und der Progression von MS-Läsionen über die Zeit spielen für die Diagnosestellung und Verlaufsbeurteilung der MS eine wichtige Rolle, sind jedoch zeitaufwendig und schwierig (Danelakis et al., 2018). An ihrer Stelle wurden mehrere auf herkömmlichem maschinellem Lernen (Brosch et al., 2016; Goldberg-Zimring et al., 1998; Karimian & Jafari, 2015; Samarasekera et al., 1997; Schmidt et al., 2012; S. Zhang et al., 2018) bzw. Deep Learning (Birenbaum & Greenspan, 2017; Deshpande et al., 2015; Roy et al., 2018; Valverde et al., 2017, 2019) basierende Ansätze für die automatisierte Segmentierung von MS-Läsionen entwickelt. Etwa in 30 % dieser Studien wurden CNNs und in 40 % Support-Vector-Machine-Learning-Ansätze eingesetzt (Afzal et al., 2022).
Deep-Learning-Ansätze lieferten Dice-Koeffizienten (ein Maß für die räumliche Überlappung mit einem Wertebereich von 0 bis 1) von 0,52 bis 0,67 gegenüber manuellen Läsions-Segmentierungen (Afzal et al., 2022). Außerdem wurden mehrere KI-basierte Ansätze für die automatisierte quantitative Beurteilung einer Hirnatrophie, die ein weiteres prädiktives Merkmal aus der bildgebenden Diagnostik für das Fortschreiten einer MS ist (Andravizou et al., 2019), untersucht (Dolz et al., 2018; Kushibar et al., 2018; Wachinger et al., 2018).
KI-basierte Algorithmen wurden auch genutzt, um MRT-Anomalien zu identifizieren, die mit dem bloßen Auge nicht deutlich zu erkennen und derzeit nicht Bestandteil der diagnostischen Kriterien der MS sind. Hierzu gehören Anomalien der Hirnvenen und eine Eisenablagerung, nachweisbar mittels suszeptibilitätsgewichteter Bildgebung (Lopatina et al., 2020), sowie Anomalien in Regionen der weißen und grauen Substanz, welche sowohl in konventionellen (Eitel et al., 2019) als auch in weiterentwickelten MRTSequenzen normal aussehen (Neeb & Schenk, 2019; Saccà et al., 2019; Yoo et al., 2018; Zurita et al., 2018).
Für die Diagnosestellung einer MS müssen Erkrankungen mit ähnlichem klinischem Bild ausgeschlossen werden, was jedoch manchmal schwierig ist (Wildner et al., 2020). Unter Verwendung von aus MRT-Aufnahmen extrahierten Merkmalen zeigten Random-Forest- Ansätze und CNNs Genauigkeit bei der Abgrenzung einer MS von Neuromyelitis-Optica-Spektrum- Erkrankungen (Eshaghi et al., 2016; Rocca et al., 2021), nichtentzündlichen Erkrankungen der weißen Substanz (Mangeat et al., 2020; Theocharakis et al., 2009), Migräne (Rocca et al., 2021), einer Vaskulitis des Zentralnervensystems (Rocca et al., 2021) und Hirntumoren (Ekşi et al., 2021).
Die MS wird in mehrere klinische Phänotypen mit jeweils unterschiedlicher Prognose und optimaler Behandlungsstrategie unterteilt (Lublin et al., 2014). Mehrere Studien untersuchten mit Hilfe von Diffusions-Tensor-MRT (Kocevar et al., 2016; Marzullo et al., 2019), Magnetresonanzspektroskopie (Ekşi et al., 2020; Ion-Mărgineanu et al., 2017) und MRTbasierten Atrophie-Beurteilungen (Bonacchi et al., 2020) das Potenzial von KI-basierten Ansätzen zur Unterscheidung zwischen verschiedenen klinischen Phänotypen der MS.
Die Behandlung der MS erfolgt personalisiert auf Grundlage von klinischen, demographischen und bildgebenden prognostischen Markern sowie entsprechenden Laborwerten (Rotstein & Montalban, 2019). Mehrere KI-basierte Algorithmen wurden im Hinblick auf ihre Fähigkeit untersucht, anhand von MRT-Merkmalen den Übergang von der ersten, auf eine chronisch-entzündliche Erkrankung des ZNS hinweisenden klinischen Episode, auch „klinisch isoliertes Syndrom“ genannt, auf eine gesicherte MS vorherzusagen und erzielten dabei Sensitivitäten von 64-77 % und Spezifitäten von 66-78 % (Bendfeldt et al., 2019; Wottschel et al., 2015, 2019). Zudem wurden auch KI-basierte Algorithmen entwickelt, welche klinische und MRT-Daten kombinieren, um den weiteren Verlauf der Erkrankung und klinische Beeinträchtigungen zu prognostizieren (Filippi et al., 2013; Roca et al., 2020; Tommasin et al., 2021; Zhao et al., 2017, 2020). Eine Studie fand bei Anwendung von Support Vector Machines und enem extrem Random Forest Modell, dass ein hochdimensionaler, aus T1-gewichteten Bildern und FLAIR-Sequenzen generierter „Fingerabdruck“ besser in der Lage war, das Ansprechen auf eine MS-Therapie vorherzusagen, als aus konventionellen MRT-Aufnahmen generierte Messwerte für das Ansprechen auf die Behandlung, wie das Gehirnvolumen und Anzahl und Volumina von Läsionen (AUC 0,89 vs. 0,69) (Kanber et al., 2019).
Darüber hinaus zeigten KI-basierte Algorithmen ein Potenzial, bei MS verwendete MRT-Protokolle zu unterstützen. Dies umfasst die Extraktion von Informationen aus konventionellen MRT-Sequenzen mit Generierung synthetischer Sequenzen aus gewonnenen Aufnahmen, wie beispielsweise die Generierung von kontrastverstärkten Aufnahmen aus einer MRT ohne Kontrastmittelgabe (Bonacchi et al., 2022).
Neuroonkologie
Unter Hirntumoren fallen sowohl die primären Tumoren des Gehirns (die gutartig oder bösartig sein können) sowie Metastasen von Tumoren in anderen Körperregionen. Die Unterscheidung zwischen einem Hirntumor und anderen Erkrankungen mit Hilfe bildgebender Verfahren ist wichtig, um unnötige Biopsien zu vermeiden und eine geeignete Therapie zu wählen (Abd-Ellah et al., 2019). Mittels Extraktion von Merkmalen aus T1- und T2-gewichteten MRTAufnahmen erzielte ein Regression-basierter Klassifikator bei der Unterscheidung zwischen kein Kontrastmittel anreichernden Gliomen und entzündlichen Hirnläsionen eine AUC von bis zu 0,99 (Y. Han et al., 2021). Darüber hinaus wurden KI-basierte Ansätze zur Prognose von histopathologischen Gliom- Graden auf Grundlage von MRT-Aufnahmen entwickelt, welche laut einer systematischen Literaturübersicht eine durchschnittliche Genauigkeit von 89 % ± 0,09 % erzielten (Bahar et al., 2022). Zudem schnitt ein Random-Forest-Klassifikator, welcher Merkmale aus multiparametrischen MRT-Untersuchungen verwendete, bei der Identifikation des Primärtumors von Hirnmetastasen besser ab als zwei erfahrene Radiologen (Kniep et al., 2019).
Einer der vielversprechendsten Anwendungsfälle für KI im Rahmen der neuroonkologischen Bildgebung ist die Verwendung von MRT zur Identifikation von mit Tumoren assoziierten genetischen Mutationen. Dieses als Radiogenomik bezeichnete Gebiet ist wichtig, weil histopathologisch ähnliche Tumoren, die unterschiedliche Mutationen aufweisen, verschieden auf bestimmte spezifische Behandlungsstrategien ansprechen (Singh et al., 2021). Die Radiogenomik umfasst die Extraktion von Merkmalen aus multiplen MRT-Sequenzen (anatomische Sequenzen sowie diffusionsgewichtete und Perfusionssequenzen), die dann zur Vorhersage genetischer Veränderungen im Tumor genutzt werden. Es wurden mehrere Ansätze entwickelt, welche Entscheidungsbäume oder Random Forests verwendeten, um sowohl einzelne genetische Mutationen als auch komplexere Kombinationen von genetischen Veränderungen in Hirntumoren vorherzusagen (Akkus et al., 2017; P. Chang et al., 2018; L. Han & Kamdar, 2018; Hu et al., 2017; Kickingereder et al., 2016; Park et al., 2020). Die Bildgebung spielt auch eine wichtige Rolle bei der Beurteilung des Ansprechens von Hirntumoren auf Behandlungsmodalitäten wie Strahlentherapie, Immuntherapie, Chemotherapie und Operationen. Eine solche Beurteilung erfordert ein hohes Maß an Fachwissen und Erfahrung, insbesondere weil die bildgebenden Merkmale eines Ansprechens und von Rezidiven Überschneidungen mit denen anderer behandlungsbedingter Veränderungen wie einer Pseudoprogression, bei der es zu einer vorübergehenden Verstärkung der Kontrastmittelanreicherung und/oder einem peritumoralen Ödem nach einer Strahlentherapie oder Chemotherapie kommt, zeigen (Raimbault et al., 2014; Thust et al., 2018).
Beim Glioblastom, dem häufigsten malignen primären Hirntumor bei Erwachsenen, beinhaltet die Beurteilung des therapeutischen Ansprechens die manuelle Vermessung von Tumorgewebe, das Kontrastmittel aufnimmt (Leao et al., 2020). Mit Hilfe von Support Vector Machine Learning, Random Forests und CNNs wurde eine akkurate automatisierte Segmentierung von Hirntumorgewebe erzielt (Havaei et al., 2017; Kickingereder et al., 2019; Menze et al., 2015), wobei einige CE-zertifizierte Anwendungen verfügbar sind (BioMind, o.D.). Eine Metaanalyse ergab, dass Deep Learning bei der Tumorsegmentierung leistungsfähiger als herkömmliche Ansätze des maschinellen Lernens war (Kouli et al., 2022). Eine große, multizentrische Studie an klinischen Daten wies darauf hin, dass die automatisierte Tumorvolumetrie mittels CNNs der manuellen Volumetrie im Hinblick auf die Berechnung der Zeit bis zur Krankheitsprogression überlegen war (Kickingereder et al., 2019).
Ansätze, welche eine Regressions-basierte Klassifikation und CNNs verwendeten, zeigten im Hinblick auf die Abgrenzung einer Pseudoprogression von einer echten Progression der Hirntumoren im MRT Ergebnisse (Jang et al., 2018; 2020; J. Y. Kim et al., 2019).
CNNs erwiesen sich außerdem im Hinblick auf die Unterscheidung zwischen einer Strahlennekrose und einer Tumorprogression als vielversprechend und erzielten eine Sensitivität von 99,4 % und eine Spezifität von 97,5 % (Q. Zhang et al., 2019). Es kann sehr schwierig sein, die Ränder von Hirntumoren und eine Infiltration in das umgebende Gewebe von einem peritumoralen Ödem zu unterscheiden. Regressionsbasierte Klassifikatoren, Support-Vector- Machine-Learning-Klassifikatoren und CNNSs lieferten akkurate Karten einer peritumoralen Infiltration, die für die Operationsplanung nützlich sein können (Akbari et al., 2016; P. D. Chang, Chow, et al., 2017; P. D. Chang, Malone, et al., 2017).
Es besteht Interesse an KI-basierten Ansätzen, welche die MRT-Bildung verbessern und Radiologen bei der Diagnostik von Hirntumoren unterstützen. Mögliche Ziele für solche KI-basierten Ansätze umfassen. Algorithmen zur Bildrekonstruktion auf Grundlage von CNNs verbessern die räumliche Auflösung und vermindern ein Störrauschen, was kleinere anatomische Strukturen und Tumorbestandteile sichtbar werden lässt. Derartige Ansätze lieferten Ergebnisse beim Nachweis von Hypophysen-Mikroadenomen, bei der Identifikation von Tumorresten oder -rezidiven nach einer Behandlung und bei der Beschreibung einer Tumorinvasion (M. Kim et al., 2021; D. H. Lee et al., 2021). Darüber hinaus erwiesen sich mit Generative Adversarial Networks (GANs) aus kontrastfreien Bildern synthetisierte kontrastverstärkte Bilder bei der Beurteilung des therapeutischen Ansprechens von Glioblastomen als nützlich und können dazu beitragen, die Verwendung von MRT-Kontrastmitteln zu reduzieren (Jayachandran Preetha et al., 2021).
Fazit
Die Forschung zu KI-Anwendungen in der Neuroradiologie hat in den letzten 10 Jahren bemerkenswerte Fortschritte gemacht. Besonders nützlich erwies sich eine unterstützende Anwendung von KI bei der Diagnostik von Erkrankungen wie Schlaganfällen und intrakraniellen Hämorrhagien, bei denen eine frühzeitige Diagnosestellung entscheidend ist. Darüber hinaus gibt es immer mehr Evidenz dafür, dass KI zur Verlaufsbeurteilung der Progression neurologischer Erkrankungen und Prognose des weiteren Verlaufs genutzt werden könnte und schließlich vermehrt personalisierte und wirksamere Behandlungsstrategien ermöglichen würde. Die Forschung zu KI-basierten Algorithmen sollte künftig durch Untersuchungen zur Kosteneffektivität dieser Anwendungen und durch eine Beurteilung der Auswirkungen ihrer Implementation auf das Gesamtergebnis beim Patienten ergänzt werden. Darüber hinaus sollten mehr Daten zur Leistungsfähigkeit dieser Anwendungen publiziert werden, um ihre Nutzung zu fördern. Insgesamt ist die Anwendung von KI im Rahmen der Neuroradiologie sehr vielversprechend und gibt Grund zu der Hoffnung, dass sich dadurch die Qualität der Patientenversorgung verbessern lässt.
Literatur
Abdelkhaleq, R., Kim, Y., Khose, S., Kan, P., Salazar-Marioni, S., Giancardo, L., & Sheth, S. A. (2021). Automated prediction of final infarct volume in patients with large-vessel occlusion acute ischemic stroke. Neurosurgical Focus, 51(1), E13. https://doi.org/10.3171/2021.4.FOCUS21134
Abd-Ellah, M. K., Awad, A. I., Khalaf, A. A. M., & Hamed, H. F. A. (2019). A review on brain tumor diagnosis from MRI images: Practical implications, key achievements, and lessons learned. Magnetic Resonance Imaging, 61, 300–318. https://doi.org/10.1016/j.mri.2019.05.028
Adeli, E., Shi, F., An, L., Wee, C.-Y., Wu, G., Wang, T., & Shen, D. (2016). Joint feature-sample selection and robust diagnosis of Parkinson’s disease from MRI data. NeuroImage, 141, 206–219. https://doi.org/10.1016/j.neuroimage.2016.05.054
Adhya, J., Li, C., Eisenmenger, L., Cerejo, R., Tayal, A., Goldberg, M., & Chang, W. (2021). Positive predictive value and stroke workflow outcomes using automated vessel density (RAPID-CTA) in stroke patients: One year experience. The Neuroradiology Journal, 34(5), 476–481. https://doi.org/10.1177/19714009211012353
Adusumilli, G., Pederson, J. M., Hardy, N., Kallmes, K. M., Hutchison, K., Kobeissi, H., Heiferman, D. M., & Heit, J. J. (2022). Mechanical thrombectomy in anterior vs. posterior circulation stroke: A systematic review and meta-analysis. Interventional Neuroradiology: Journal of Peritherapeutic Neuroradiology, Surgical Procedures and Related Neurosciences, 15910199221100796. https://doi. org/10.1177/15910199221100796
Afzal, H. M. R., Luo, S., Ramadan, S., & Lechner-Scott, J. (2022). The emerging role of artificial intelligence in multiple sclerosis imaging. Multiple Sclerosis, 28(6), 849–858. https://doi.org/10.1177/1352458520966298
AI Central. (n.d.). Retrieved July 2, 2022, from https://aicentral.com/
AI for radiology(n.d.). Retrieved July 2, 2022, from https://grand-challenge.org/aiforradiology/
Akbari, H., Macyszyn, L., Da, X., Bilello, M., Wolf, R. L., Martinez-Lage, M., Biros, G., Alonso-Basanta, M., O’Rourke, D. M., & Davatzikos, C. (2016). Imaging Surrogates of Infiltration Obtained Via Multiparametric Imaging Pattern Analysis Predict Subsequent Location of Recurrence of Glioblastoma. Neurosurgery, 78(4), 572–580. https://doi.org/10.1227/NEU.0000000000001202
Akkus, Z., Ali, I., Sedlář, J., Agrawal, J. P., Parney, I. F., Giannini, C., & Erickson, B. J. (2017). Predicting Deletion of Chromosomal Arms 1p/19q in Low-Grade Gliomas from MR Images Using Machine Intelligence. Journal of Digital Imaging, 30(4), 469–476. https://doi.org/10.1007/s10278-017-9984-3
Amoroso, N., Diacono, D., Fanizzi, A., La Rocca, M., Monaco, A., Lombardi, A., Guaragnella, C., Bellotti, R., Tangaro, S., & Alzheimer’s Disease Neuroimaging Initiative. (2018). Deep learning reveals Alzheimer’s disease onset in MCI subjects: Results from an international challenge. Journal of Neuroscience Methods, 302, 3–9. https://doi.org/10.1016/j. jneumeth.2017.12.011
Amukotuwa, S. A., Straka, M., Smith, H., Chandra, R. V., Dehkharghani, S., Fischbein, N. J., & Bammer, R. (2019). Automated Detection of Intracranial Large Vessel Occlusions on Computed Tomography Angiography: A Single Center Experience. Stroke; a Journal of Cerebral Circulation, 50(10), 2790–2798. https://doi.org/10.1161/STROKEAHA.119.026259
Andravizou, A., Dardiotis, E., Artemiadis, A., Sokratous, M., Siokas, V., Tsouris, Z., Aloizou, A.-M., Nikolaidis, I., Bakirtzis, C., Tsivgoulis, G., Deretzi, G., Grigoriadis, N., Bogdanos, D. P., & Hadjigeorgiou, G. M. (2019). Brain atrophy in multiple sclerosis: mechanisms, clinical relevance and treatment options. Auto- Immunity Highlights, 10(1), 7. https://doi.org/10.1186/ s13317-019-0117-5
Bahar, R. C., Merkaj, S., Cassinelli Petersen, G. I., Tillmanns, N., Subramanian, H., Brim, W. R., Zeevi, T., Staib, L., Kazarian, E., Lin, M., Bousabarah, K., Huttner, A. J., Pala, A., Payabvash, S., Ivanidze, J., Cui, J., Malhotra, A., & Aboian, M. S. (2022). Machine Learning Models for Classifying Highand Low-Grade Gliomas: A Systematic Review and Quality of Reporting Analysis. Frontiers in Oncology, 12, 856231. https://doi.org/10.3389/fonc.2022.856231
Bar, A., Mauda, M., Turner, Y., Safadi, M., & Elnekave, E. (2019). Improved ICH classification using task-dependent learning. In arXiv [cs.CV]. arXiv. https://uploads-ssl.webflow. com/602a32732226833dce680ffe/61733c14eabf6d96471c5 2b4_7-Bar_bloodNet__Improved_ICH_classification_using_task_ dependent_learning__isbi2018.pdf
Battineni, G., Chintalapudi, N., Hossain, M. A., Losco, G., Ruocco, C., Sagaro, G. G., Traini, E., Nittari, G., & Amenta, F. (2022). Artificial Intelligence Models in the Diagnosis of Adult-Onset Dementia Disorders: A Review. Bioengineering (Basel, Switzerland), 9(8). https://doi.org/10.3390/ bioengineering9080370
Bendfeldt, K., Taschler, B., Gaetano, L., Madoerin, P., Kuster, P., Mueller-Lenke, N., Amann, M., Vrenken, H., Wottschel, V., Barkhof, F., Borgwardt, S., Klöppel, S., Wicklein, E.- M., Kappos, L., Edan, G., Freedman, M. S., Montalbán, X., Hartung, H.-P., Pohl, C., … Nichols, T. E. (2019). MRI-based prediction of conversion from clinically isolated syndrome to clinically definite multiple sclerosis using SVM and lesion geometry. Brain Imaging and Behavior, 13(5), 1361–1374. https://doi.org/10.1007/s11682-018-9942-9
BioMind. (n.d.). Retrieved December 20, 2022, from https://biomind.ai/paper
Birenbaum, A., & Greenspan, H. (2017). Multi-view longitudinal CNN for multiple sclerosis lesion segmentation. Engineering Applications of Artificial Intelligence, 65, 111–118. https://doi.org/10.1016/j.engappai.2017.06.006
Boldsen, J. K., Engedal, T. S., Pedraza, S., Cho, T.-H., Thomalla, G., Nighoghossian, N., Baron, J.-C., Fiehler, J., Østergaard, L., & Mouridsen, K. (2018). Better Diffusion Segmentation in Acute Ischemic Stroke Through Automatic Tree Learning Anomaly Segmentation. Frontiers in Neuroinformatics, 12, 21. https://doi.org/10.3389/fninf.2018.00021
Bonacchi, R., Filippi, M., & Rocca, M. A. (2022). Role of artificial intelligence in MS clinical practice. NeuroImage. Clinical, 35, 103065. https://doi.org/10.1016/j.nicl.2022.103065
Bonacchi, R., Pagani, E., Meani, A., Cacciaguerra, L., Preziosa, P., De Meo, E., Filippi, M., & Rocca, M. A. (2020). Clinical Relevance of Multiparametric MRI Assessment of Cervical Cord Damage in Multiple Sclerosis. Radiology, 296(3), 605–615. https://doi.org/10.1148/radiol.2020200430
Boutet, A., Madhavan, R., Elias, G. J. B., Joel, S. E., Gramer, R., Ranjan, M., Paramanandam, V., Xu, D., Germann, J., Loh, A., Kalia, S. K., Hodaie, M., Li, B., Prasad, S., Coblentz, A., Munhoz, R. P., Ashe, J., Kucharczyk, W., Fasano, A., & Lozano, A. M. (2021). Predicting optimal deep brain stimulation parameters for Parkinson’s disease using functional MRI and machine learning. Nature Communications, 12(1), 3043. https://doi.org/10.1038/s41467-021-23311-9
Broderick, J., Connolly, S., Feldmann, E., Hanley, D., Kase, C., Krieger, D., Mayberg, M., Morgenstern, L., Ogilvy, C. S., Vespa, P., Zuccarello, M., American Heart Association, American Stroke Association Stroke Council, High Blood Pressure Research Council, & Quality of Care and Outcomes in Research Interdisciplinary Working Group. (2007). Guidelines for the management of spontaneous intracerebral hemorrhage in adults: 2007 update: a guideline from the American Heart Association/American Stroke Association Stroke Council, High Blood Pressure Research Council, and the Quality of Care and Outcomes in Research Interdisciplinary Working Group. Stroke; a Journal of Cerebral Circulation, 38(6), 2001–2023. https://doi.org/10.1161/STROKEAHA.107.183689
Bron, E. E., Smits, M., Niessen, W. J., & Klein, S. (2015). Feature Selection Based on the SVM Weight Vector for Classification of Dementia. IEEE Journal of Biomedical and Health Informatics, 19(5), 1617–1626. https://doi.org/10.1109/ JBHI.2015.2432832
Brosch, T., Tang, L. Y. W., Youngjin Yoo, Li, D. K. B., Traboulsee, A., & Tam, R. (2016). Deep 3D Convolutional Encoder Networks With Shortcuts for Multiscale Feature Integration Applied to Multiple Sclerosis Lesion Segmentation. IEEE Transactions on Medical Imaging, 35(5), 1229–1239. https://doi.org/10.1109/TMI.2016.2528821
Cacciaguerra, L., Meani, A., Mesaros, S., Radaelli, M., Palace, J., Dujmovic-Basuroski, I., Pagani, E., Martinelli, V., Matthews, L., Drulovic, J., Leite, M. I., Comi, G., Filippi, M., & Rocca, M. A. (2019). Brain and cord imaging features in neuromyelitis optica spectrum disorders. Annals of Neurology, 85(3), 371–384. https://doi.org/10.1002/ana.25411
Cavedo, E., Tran, P., Thoprakarn, U., Martini, J.-B., Movschin, A., Delmaire, C., Gariel, F., Heidelberg, D., Pyatigorskaya, N., Ströer, S., Krolak-Salmon, P., Cotton, F., Dos Santos, C. L., & Dormont, D. (2022). Validation of an automatic tool for the rapid measurement of brain atrophy and white matter hyperintensity: QyScore®. European Radiology, 32(5), 2949–2961. https://doi.org/10.1007/s00330-021-08385-9
Chakraborty, S., Aich, S., & Kim, H.-C. (2020). Detection of Parkinson’s Disease from 3T T1 Weighted MRI Scans Using 3D Convolutional Neural Network. Diagnostics, 10(6), 402. https://doi.org/10.3390/diagnostics10060402
Chalela, J. A., Kidwell, C. S., Nentwich, L. M., Luby, M., Butman, J. A., Demchuk, A. M., Hill, M. D., Patronas, N., Latour, L., & Warach, S. (2007). Magnetic resonance imaging and computed tomography in emergency assessment of patients with suspected acute stroke: a prospective comparison. The Lancet, 369(9558), 293–298. https://doi.org/10.1016/S0140- 6736(07)60151-2
Chang, P. D., Chow, D. S., Yang, P. H., Filippi, C. G., & Lignelli, A. (2017). Predicting Glioblastoma Recurrence by Early Changes in the Apparent Diffusion Coefficient Value and Signal Intensity on FLAIR Images. AJR. American Journal of Roentgenology, 208(1), 57–65. https://doi.org/10.2214/AJR.16.16234
Chang, P. D., Malone, H. R., Bowden, S. G., Chow, D. S., Gill, B. J. A., Ung, T. H., Samanamud, J., Englander, Z. K., Sonabend, A. M., Sheth, S. A., McKhann, G. M., 2nd, Sisti, M. B., Schwartz, L. H., Lignelli, A., Grinband, J., Bruce, J. N., & Canoll, P. (2017). A Multiparametric Model for Mapping Cellularity in Glioblastoma Using Radiographically Localized Biopsies. AJNR. American Journal of Neuroradiology, 38(5), 890–898. https://doi.org/10.3174/ajnr.A5112
Chang, P., Grinband, J., Weinberg, B. D., Bardis, M., Khy, M., Cadena, G., Su, M.-Y., Cha, S., Filippi, C. G., Bota, D., Baldi, P., Poisson, L. M., Jain, R., & Chow, D. (2018). Deep-Learning Convolutional Neural Networks Accurately Classify Genetic Mutations in Gliomas. AJNR. American Journal of Neuroradiology, 39(7), 1201–1207. https://doi.org/10.3174/ajnr.A5667
Cherubini, A., Morelli, M., Nisticó, R., Salsone, M., Arabia, G., Vasta, R., Augimeri, A., Caligiuri, M. E., & Quattrone, A. (2014). Magnetic resonance support vector machine discriminates between Parkinson disease and progressive supranuclear palsy. Movement Disorders: Official Journal of the Movement Disorder Society, 29(2), 266–269. https://doi.org/10.1002/mds.25737
Chien, H.-W. C., Yang, T.-L., Juang, W.-C., Chen, Y.-Y. A., Li, Y.-C. J., & Chen, C.-Y. (2022). Pilot Report for Intracranial Hemorrhage Detection with Deep Learning Implanted Head Computed Tomography Images at Emergency Department. Journal of Medical Systems, 46(7), 49. https://doi.org/10.1007/ s10916-022-01833-z
Chilamkurthy, S., Ghosh, R., Tanamala, S., Biviji, M., Campeau, N. G., Venugopal, V. K., Mahajan, V., Rao, P., & Warier, P. (2018). Deep learning algorithms for detection of critical findings in head CT scans: a retrospective study. The Lancet, 392(10162), 2388–2396. https://doi.org/10.1016/S0140- 6736(18)31645-3
Choi, H., Ha, S., Im, H. J., Paek, S. H., & Lee, D. S. (2017). Refining diagnosis of Parkinson’s disease with deep learningbased interpretation of dopamine transporter imaging. NeuroImage. Clinical, 16, 586–594. https://doi.org/10.1016/j. nicl.2017.09.010
Connor, S. E. J., Tan, G., Fernando, R., & Chaudhury, N. (2005). Computed tomography pseudofractures of the mid face and skull base. Clinical Radiology, 60(12), 1268–1279. https://doi. org/10.1016/j.crad.2005.05.016
Crous-Bou, M., Minguillón, C., Gramunt, N., & Molinuevo, J. L. (2017). Alzheimer’s disease prevention: from risk factors to early intervention. Alzheimer’s Research & Therapy, 9(1), 1–9. https://doi.org/10.1186/s13195-017-0297-z
Danelakis, A., Theoharis, T., & Verganelakis, D. A. (2018). Survey of automated multiple sclerosis lesion segmentation techniques on magnetic resonance imaging. Computerized Medical Imaging and Graphics: The Official Journal of the Computerized Medical Imaging Society, 70, 83–100. https://doi.org/10.1016/j.compmedimag.2018.10.002
Davatzikos, C., Resnick, S. M., Wu, X., Parmpi, P., & Clark, C. M. (2008). Individual patient diagnosis of AD and FTD via highdimensional pattern classification of MRI. NeuroImage, 41(4), 1220–1227. https://doi.org/10.1016/j.neuroimage.2008.03.050
Dehkharghani, S., Lansberg, M., Venkatsubramanian, C., Cereda, C., Lima, F., Coelho, H., Rocha, F., Qureshi, A., Haerian, H., Mont’Alverne, F., Copeland, K., & Heit, J. (2021). High-Performance Automated Anterior Circulation CT Angiographic Clot Detection in Acute Stroke: A Multireader Comparison. Radiology, 298(3), 665–670. https://doi.org/10.1148/radiol.2021202734
Deshpande, H., Maurel, P., & Barillot, C. (2015). Classification of multiple sclerosis lesions using adaptive dictionary learning. Computerized Medical Imaging and Graphics: The Official Journal of the Computerized Medical Imaging Society, 46 Pt 1 , 2–10. https://doi.org/10.1016/j.compmedimag.2015.05.003
Dolz, J., Desrosiers, C., & Ben Ayed, I. (2018). 3D fully convolutional networks for subcortical segmentation in MRI: A large-scale study. NeuroImage, 170 , 456–470. https://doi.org/10.1016/j.neuroimage.2017.04.039
Duchesne, S., Rolland, Y., & Vérin, M. (2009). Automated computer differential classification in Parkinsonian Syndromes via pattern analysis on MRI. Academic Radiology, 16(1), 61–70. https://doi.org/10.1016/j.acra.2008.05.024
Duvekot, M. H. C., van Es, A. C. G. M., Venema, E., Wolff, L., Rozeman, A. D., Moudrous, W., Vermeij, F. H., Lingsma, H. F., Bakker, J., Plaisier, A. S., Hensen, J.-H. J., Lycklama à Nijeholt, G. J., Jan van Doormaal, P., Dippel, D. W. J., Kerkhoff, H., Roozenbeek, B., & van der Lugt, A. (2021). Accuracy of CTA evaluations in daily clinical practice for large and medium vessel occlusion detection in suspected stroke patients. European Stroke Journal, 23969873211058576. https:// doi.org/10.1177/23969873211058576
Ebinger, M., Galinovic, I., Rozanski, M., Brunecker, P., Endres, M., & Fiebach, J. B. (2010). Fluid-attenuated inversion recovery evolution within 12 hours from stroke onset: a reliable tissue clock? Stroke; a Journal of Cerebral Circulation, 41(2), 250–255. https://doi.org/10.1161/STROKEAHA.109.568410
Eichinger, P., Zimmer, C., & Wiestler, B. (2020). AI in Radiology: Where are we today in Multiple Sclerosis Imaging? RoFo: Fortschritte Auf Dem Gebiete Der Rontgenstrahlen Und Der Nuklearmedizin, 192(9), 847–853. https://doi.org/10.1055/a-1167-8402
Eitel, F., Soehler, E., Bellmann-Strobl, J., Brandt, A. U., Ruprecht, K., Giess, R. M., Kuchling, J., Asseyer, S., Weygandt, M., Haynes, J.-D., Scheel, M., Paul, F., & Ritter, K. (2019). Uncovering convolutional neural network decisions for diagnosing multiple sclerosis on conventional MRI using layerwise relevance propagation. NeuroImage. Clinical, 24, 102003. https://doi.org/10.1016/j.nicl.2019.102003
EkŞİ, Z., ÇakiroĞlu, M., Öz, C., AralaŞmak, A., Karadelİ, H. H., & Özcan, M. E. (2020). Differentiation of relapsing-remitting and secondary progressive multiple sclerosis: a magnetic resonance spectroscopy study based on machine learning. Arquivos de Neuro-Psiquiatria, 78(12), 789–796. https://doi. org/10.1590/0004-282X20200094
Ekşi, Z., Özcan, M. E., Çakıroğlu, M., Öz, C., & Aralaşmak, A. (2021). Differentiation of multiple sclerosis lesions and lowgrade brain tumors on MRS data: machine learning approaches. Neurological Sciences: Official Journal of the Italian Neurological Society and of the Italian Society of Clinical Neurophysiology, 42(8), 3389–3395. https://doi.org/10.1007/s10072-020-04950-0
Eldaya, R. W., Kansagra, A. P., Zei, M., Mason, E., Holder, D., Heitsch, L., Vo, K. D., & Goyal, M. S. (2022). Performance of Automated RAPID Intracranial Hemorrhage Detection in Real-World Practice: A Single-Institution Experience. Journal of Computer Assisted Tomography, 46(5), 770–774. https://doi.org/10.1097/RCT.0000000000001335
Emon, M. M., Ornob, T. R., & Rahman, M. (2022). Classifications of Skull Fractures using CT Scan Images via CNN with Lazy Learning Approach. In arXiv [eess.IV]. arXiv. http://arxiv.org/abs/2203.10786
Erly, W. K., Berger, W. G., Krupinski, E., Seeger, J. F., & Guisto, J. A. (2002). Radiology resident evaluation of head CT scan orders in the emergency department. AJNR. American Journal of Neuroradiology, 23 (1), 103–107. https://www.ncbi.nlm.nih.gov/ pubmed/11827881
Eshaghi, A., Wottschel, V., Cortese, R., Calabrese, M., Sahraian, M. A., Thompson, A. J., Alexander, D. C., & Ciccarelli, O. (2016). Gray matter MRI differentiates neuromyelitis optica from multiple sclerosis using random forest. Neurology, 87(23), 2463–2470. https://doi.org/10.1212/ WNL.0000000000003395
Feigin, V. L., Vos, T., Nichols, E., Owolabi, M. O., Carroll, W. M., Dichgans, M., Deuschl, G., Parmar, P., Brainin, M., & Murray, C. (2020). The global burden of neurological disorders: translating evidence into policy. Lancet Neurology, 19(3), 255–265. https://doi.org/10.1016/S1474-4422(19)30411-9
Ferreti, L. A., Leitao, C. A., Teixeira, B. C. de A., Lopes Neto, F. D. N., ZÉtola, V. F., & Lange, M. C. (2020). The use of e-ASPECTS in acute stroke care: validation of method performance compared to the performance of specialists. Arquivos de Neuro- Psiquiatria, 78(12), 757–761. https://doi.org/10.1590/0004- 282X20200072
Filippi, M., Preziosa, P., Copetti, M., Riccitelli, G., Horsfield, M. A., Martinelli, V., Comi, G., & Rocca, M. A. (2013). Gray matter damage predicts the accumulation of disability 13 years later in MS. Neurology, 81(20), 1759–1767. https://doi.org/10.1212/01.wnl.0000435551.90824.d0
Flacke, S., Urbach, H., Keller, E., Träber, F., Hartmann, A., Textor, J., Gieseke, J., Block, W., Folkers, P. J., & Schild, H. H. (2000). Middle cerebral artery (MCA) susceptibility sign at susceptibility-based perfusion MR imaging: clinical importance and comparison with hyperdense MCA sign at CT. Radiology, 215(2), 476–482. https://doi.org/10.1148/ radiology.215.2.r00ma09476
Focke, N. K., Helms, G., Scheewe, S., Pantel, P. M., Bachmann, C. G., Dechent, P., Ebentheuer, J., Mohr, A., Paulus, W., & Trenkwalder, C. (2011). Individual voxel-based subtype prediction can differentiate progressive supranuclear palsy from idiopathic Parkinson syndrome and healthy controls. Human Brain Mapping, 32(11), 1905–1915. https://doi.org/10.1002/hbm.21161
Fugate, J. E., & Rabinstein, A. A. (2015). Absolute and Relative Contraindications to IV rt-PA for Acute Ischemic Stroke. The Neurohospitalist, 5(3), 110–121. https://doi. org/10.1177/1941874415578532
Gács, G., Fox, A. J., Barnett, H. J., & Vinuela, F. (1983). CT visualization of intracranial arterial thromboembolism. Stroke; a Journal of Cerebral Circulation, 14(5), 756–762. https://doi. org/10.1161/01.str.14.5.756
GBD 2016 Parkinson’s Disease Collaborators. (2018). Global, regional, and national burden of Parkinson’s disease, 1990- 2016: a systematic analysis for the Global Burden of Disease Study 2016. Lancet Neurology, 17(11), 939–953. https://doi. org/10.1016/S1474-4422(18)30295-3
Gibson, E., Georgescu, B., Ceccaldi, P., Trigan, P.-H., Yoo, Y., Das, J., Re, T. J., Rs, V., Balachandran, A., Eibenberger, E., Chekkoury, A., Brehm, B., Bodanapally, U. K., Nicolaou, S., Sanelli, P. C., Schroeppel, T. J., Flohr, T., Comaniciu, D., & Lui, Y. W. (2022). Artificial Intelligence with Statistical Confidence Scores for Detection of Acute or Subacute Hemorrhage on Noncontrast CT Head Scans. Radiology. Artificial Intelligence, 4(3), e210115. https://doi.org/10.1148/ryai.210115
Ginat, D. (2021). Implementation of Machine Learning Software on the Radiology Worklist Decreases Scan View Delay for the Detection of Intracranial Hemorrhage on CT. Brain Sciences, 11(7). https://doi.org/10.3390/brainsci11070832
Goebel, J., Stenzel, E., Guberina, N., Wanke, I., Koehrmann, M., Kleinschnitz, C., Umutlu, L., Forsting, M., Moenninghoff, C., & Radbruch, A. (2018). Automated ASPECT rating: comparison between the Frontier ASPECT Score software and the Brainomix software. Neuroradiology, 60(12), 1267–1272. https://doi.org/10.1007/s00234-018-2098-x
Goldberg-Zimring, D., Achiron, A., Miron, S., Faibel, M., & Azhari, H. (1998). Automated detection and characterization of multiple sclerosis lesions in brain MR images. Magnetic Resonance Imaging, 16(3), 311–318. https://doi.org/10.1016/ s0730-725x(97)00300-7
Guberina, N., Dietrich, U., Radbruch, A., Goebel, J., Deuschl, C., Ringelstein, A., Köhrmann, M., Kleinschnitz, C., Forsting, M., & Mönninghoff, C. (2018). Detection of early infarction signs with machine learning-based diagnosis by means of the Alberta Stroke Program Early CT score (ASPECTS) in the clinical routine. Neuroradiology, 60(9), 889–901. https://doi.org/10.1007/ s00234-018-2066-5
Hakim, A., Christensen, S., Winzeck, S., Lansberg, M. G., Parsons, M. W., Lucas, C., Robben, D., Wiest, R., Reyes, M., & Zaharchuk, G. (2021). Predicting Infarct Core From Computed Tomography Perfusion in Acute Ischemia With Machine Learning: Lessons From the ISLES Challenge. Stroke; a Journal of Cerebral Circulation, 52(7), 2328–2337. https://doi.org/10.1161/STROKEAHA.120.030696
Haller, S., Badoud, S., Nguyen, D., Barnaure, I., Montandon, M.-L., Lovblad, K.-O., & Burkhard, P. R. (2013). Differentiation between Parkinson disease and other forms of Parkinsonism using support vector machine analysis of susceptibilityweighted imaging (SWI): initial results. European Radiology, 23(1), 12–19. https://doi.org/10.1007/s00330-012-2579-y
Haller, S., Badoud, S., Nguyen, D., Garibotto, V., Lovblad, K. O., & Burkhard, P. R. (2012). Individual detection of patients with Parkinson disease using support vector machine analysis of diffusion tensor imaging data: initial results. AJNR. American Journal of Neuroradiology, 33(11), 2123–2128. https://doi.org/10.3174/ajnr.A3126
Han, L., & Kamdar, M. R. (2018). MRI to MGMT: predicting methylation status in glioblastoma patients using convolutional recurrent neural networks. Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing, 23, 331–342. https://www.ncbi.nlm.nih.gov/pubmed/29218894
Han, Y., Yang, Y., Shi, Z.-S., Zhang, A.-D., Yan, L.-F., Hu, Y.-C., Feng, L.-L., Ma, J., Wang, W., & Cui, G.-B. (2021). Distinguishing brain inflammation from grade II glioma in population without contrast enhancement: a radiomics analysis based on conventional MRI. European Journal of Radiology, 134, 109467. https://doi.org/10.1016/j.ejrad.2020.109467
Hassan, A. E., Ringheanu, V. M., Rabah, R. R., Preston, L., Tekle, W. G., & Qureshi, A. I. (2020). Early experience utilizing artificial intelligence shows significant reduction in transfer times and length of stay in a hub and spoke model. Interventional Neuroradiology: Journal of Peritherapeutic Neuroradiology, Surgical Procedures and Related Neurosciences, 26(5), 615–622. https://doi.org/10.1177/1591019920953055
Havaei, M., Davy, A., Warde-Farley, D., Biard, A., Courville, A., Bengio, Y., Pal, C., Jodoin, P.-M., & Larochelle, H. (2017). Brain tumor segmentation with Deep Neural Networks. Medical Image Analysis, 35, 18–31. https://doi.org/10.1016/j.media.2016.05.004
Heimer, J., Thali, M. J., & Ebert, L. (2018). Classification based on the presence of skull fractures on curved maximum intensity skull projections by means of deep learning. Journal of Forensic Radiology and Imaging, 14, 16–20. https://doi.org/10.1016/j. jofri.2018.08.001
Heit, J. J., Coelho, H., Lima, F. O., Granja, M., Aghaebrahim, A., Hanel, R., Kwok, K., Haerian, H., Cereda, C. W., Venkatasubramanian, C., Dehkharghani, S., Carbonera, L. A., Wiener, J., Copeland, K., & Mont’Alverne, F. (2021). Automated Cerebral Hemorrhage Detection Using RAPID. AJNR. American Journal of Neuroradiology, 42(2), 273–278. https://doi.org/10.3174/ajnr.A6926
Herweh, C., Ringleb, P. A., Rauch, G., Gerry, S., Behrens, L., Möhlenbruch, M., Gottorf, R., Richter, D., Schieber, S., & Nagel, S. (2016). Performance of e-ASPECTS software in comparison to that of stroke physicians on assessing CT scans of acute ischemic stroke patients. International Journal of Stroke: Official Journal of the International Stroke Society, 11(4), 438–445. https://doi.org/10.1177/1747493016632244
Hirschauer, T. J., Adeli, H., & Buford, J. A. (2015). Computer- Aided Diagnosis of Parkinson’s Disease Using Enhanced Probabilistic Neural Network. Journal of Medical Systems, 39(11), 179. https://doi.org/10.1007/s10916-015-0353-9
Hitziger, S., Ling, W. X., Fritz, T., D’Albis, T., Lemke, A., & Grilo, J. (2022). Triplanar U-Net with lesion-wise voting for the segmentation of new lesions on longitudinal MRI studies. Frontiers in Neuroscience, 16, 964250. https://doi.org/10.3389/ fnins.2022.964250
Hoelter, P., Muehlen, I., Goelitz, P., Beuscher, V., Schwab, S., & Doerfler, A. (2020). Automated ASPECT scoring in acute ischemic stroke: comparison of three software tools. Neuroradiology, 62(10), 1231–1238. https://doi.org/10.1007/ s00234-020-02439-3
Hu, L. S., Ning, S., Eschbacher, J. M., Baxter, L. C., Gaw, N., Ranjbar, S., Plasencia, J., Dueck, A. C., Peng, S., Smith, K. A., Nakaji, P., Karis, J. P., Quarles, C. C., Wu, T., Loftus, J. C., Jenkins, R. B., Sicotte, H., Kollmeyer, T. M., O’Neill, B. P., … Mitchell, J. R. (2017). Radiogenomics to characterize regional genetic heterogeneity in glioblastoma. Neuro-Oncology, 19(1), 128–137. https://doi.org/10.1093/neuonc/now135
Huppertz, H.-J., Möller, L., Südmeyer, M., Hilker, R., Hattingen, E., Egger, K., Amtage, F., Respondek, G., Stamelou, M., Schnitzler, A., Pinkhardt, E. H., Oertel, W. H., Knake, S., Kassubek, J., & Höglinger, G. U. (2016). Differentiation of neurodegenerative parkinsonian syndromes by volumetric magnetic resonance imaging analysis and support vector machine classification. Movement Disorders: Official Journal of the Movement Disorder Society, 31(10), 1506– 1517. https://doi.org/10.1002/mds.26715
Hwang, D. Y., Silva, G. S., Furie, K. L., & Greer, D. M. (2012). Comparative sensitivity of computed tomography vs. magnetic resonance imaging for detecting acute posterior fossa infarct. The Journal of Emergency Medicine, 42(5), 559–565. https://doi. org/10.1016/j.jemermed.2011.05.101
Ion-Mărgineanu, A., Kocevar, G., Stamile, C., Sima, D. M., Durand-Dubief, F., Van Huffel, S., & Sappey-Marinier, D. (2017). Machine Learning Approach for Classifying Multiple Sclerosis Courses by Combining Clinical Data with Lesion Loads and Magnetic Resonance Metabolic Features. Frontiers in Neuroscience, 11, 398. https://doi.org/10.3389/fnins.2017.00398
Jain, A., Malhotra, A., & Payabvash, S. (2021). Imaging of Spontaneous Intracerebral Hemorrhage. Neuroimaging Clinics of North America, 31(2), 193–203. https://doi.org/10.1016/j. nic.2021.02.003
Jain, S., Ribbens, A., Sima, D. M., Cambron, M., De Keyser, J., Wang, C., Barnett, M. H., Van Huffel, S., Maes, F., & Smeets, D. (2016). Two Time Point MS Lesion Segmentation in Brain MRI: An Expectation-Maximization Framework. Frontiers in Neuroscience, 10, 576. https://doi.org/10.3389/fnins.2016.00576
Jang, B.-S., Jeon, S. H., Kim, I. H., & Kim, I. A. (2018). Prediction of Pseudoprogression versus Progression using Machine Learning Algorithm in Glioblastoma. Scientific Reports, 8(1), 12516. https://doi.org/10.1038/s41598-018-31007-2
Jang, B.-S., Park, A. J., Jeon, S. H., Kim, I. H., Lim, D. H., Park, S.-H., Lee, J. H., Chang, J. H., Cho, K. H., Kim, J. H., Sunwoo, L., Choi, S. H., & Kim, I. A. (2020). Machine Learning Model to Predict Pseudoprogression Versus Progression in Glioblastoma Using MRI: A Multi-Institutional Study (KROG 18-07). Cancers, 12(9). https://doi.org/10.3390/cancers12092706
Jayachandran Preetha, C., Meredig, H., Brugnara, G., Mahmutoglu, M. A., Foltyn, M., Isensee, F., Kessler, T., Pflüger, I., Schell, M., Neuberger, U., Petersen, J., Wick, A., Heiland, S., Debus, J., Platten, M., Idbaih, A., Brandes, A. A., Winkler, F., van den Bent, M. J., … Vollmuth, P. (2021). Deeplearning- based synthesis of post-contrast T1-weighted MRI for tumour response assessment in neuro-oncology: a multicentre, retrospective cohort study. The Lancet. Digital Health, 3(12), e784–e794. https://doi.org/10.1016/S2589-7500(21)00205-3
Jiang, L., Wang, S., Ai, Z., Shen, T., Zhang, H., Duan, S., Chen, Y.-C., Yin, X., & Sun, J. (2022). Development and external validation of a stability machine learning model to identify wake-up stroke onset time from MRI. European Radiology, 32(6), 3661–3669. https://doi.org/10.1007/s00330-021-08493-6
Kanber, B., Nachev, P., Barkhof, F., Calvi, A., Cardoso, J., Cortese, R., Prados, F., Sudre, C. H., Tur, C., Ourselin, S., & Ciccarelli, O. (2019). High-dimensional detection of imaging response to treatment in multiple sclerosis. NPJ Digital Medicine, 2, 49. https://doi.org/10.1038/s41746-019-0127-8
Karimian, A., & Jafari, S. (2015). A New Method to Segment the Multiple Sclerosis Lesions on Brain Magnetic Resonance Images. Journal of Medical Signals and Sensors, 5(4), 238–244. https:// www.ncbi.nlm.nih.gov/pubmed/26955567
Kickingereder, P., Bonekamp, D., Nowosielski, M., Kratz, A., Sill, M., Burth, S., Wick, A., Eidel, O., Schlemmer, H.-P., Radbruch, A., Debus, J., Herold-Mende, C., Unterberg, A., Jones, D., Pfister, S., Wick, W., von Deimling, A., Bendszus, M., & Capper, D. (2016). Radiogenomics of Glioblastoma: Machine Learning-based Classification of Molecular Characteristics by Using Multiparametric and Multiregional MR Imaging Features. Radiology, 281(3), 907–918. https://doi. org/10.1148/radiol.2016161382
Kickingereder, P., Isensee, F., Tursunova, I., Petersen, J., Neuberger, U., Bonekamp, D., Brugnara, G., Schell, M., Kessler, T., Foltyn, M., Harting, I., Sahm, F., Prager, M., Nowosielski, M., Wick, A., Nolden, M., Radbruch, A., Debus, J., Schlemmer, H.-P., … Maier-Hein, K. H. (2019). Automated quantitative tumour response assessment of MRI in neurooncology with artificial neural networks: a multicentre, retrospective study. The Lancet Oncology, 20(5), 728–740. https://doi.org/10.1016/S1470-2045(19)30098-1
Kim, B. J., Kim, Y.-H., Kim, Y.-J., Ahn, S. H., Lee, D. H., Kwon, S. U., Kim, S. J., Kim, J. S., & Kang, D.-W. (2014). Color-coded fluid-attenuated inversion recovery images improve inter-rater reliability of fluid-attenuated inversion recovery signal changes within acute diffusion-weighted image lesions. Stroke; a Journal of Cerebral Circulation, 45(9), 2801–2804. https://doi.org/10.1161/STROKEAHA.114.006515
Kim, J. Y., Park, J. E., Jo, Y., Shim, W. H., Nam, S. J., Kim, J. H., Yoo, R.-E., Choi, S. H., & Kim, H. S. (2019). Incorporating diffusion- and perfusion-weighted MRI into a radiomics model improves diagnostic performance for pseudoprogression in glioblastoma patients. Neuro-Oncology, 21(3), 404–414. https://doi.org/10.1093/neuonc/noy133
Kim, M., Kim, H. S., Kim, H. J., Park, J. E., Park, S. Y., Kim, Y.- H., Kim, S. J., Lee, J., & Lebel, M. R. (2021). Thin-Slice Pituitary MRI with Deep Learning-based Reconstruction: Diagnostic Performance in a Postoperative Setting. Radiology, 298(1), 114–122. https://doi.org/10.1148/radiol.2020200723
Kniep, H. C., Madesta, F., Schneider, T., Hanning, U., Schönfeld, M. H., Schön, G., Fiehler, J., Gauer, T., Werner, R., & Gellissen, S. (2019). Radiomics of Brain MRI: Utility in Prediction of Metastatic Tumor Type. Radiology, 290(2), 479–487. https://doi.org/10.1148/radiol.2018180946
Kniep, H. C., Sporns, P. B., Broocks, G., Kemmling, A., Nawabi, J., Rusche, T., Fiehler, J., & Hanning, U. (2020). Posterior circulation stroke: machine learning-based detection of early ischemic changes in acute non-contrast CT scans. Journal of Neurology, 267(9), 2632–2641. https://doi. org/10.1007/s00415-020-09859-4
Knopman, D. S., Amieva, H., Petersen, R. C., Chételat, G., Holtzman, D. M., Hyman, B. T., Nixon, R. A., & Jones, D. T. (2021). Alzheimer disease. Nature Reviews. Disease Primers, 7(1), 33. https://doi.org/10.1038/s41572-021-00269-y
Kocevar, G., Stamile, C., Hannoun, S., Cotton, F., Vukusic, S., Durand-Dubief, F., & Sappey-Marinier, D. (2016). Graph Theory-Based Brain Connectivity for Automatic Classification of Multiple Sclerosis Clinical Courses. Frontiers in Neuroscience, 10, 478. https://doi.org/10.3389/fnins.2016.00478
Kouli, O., Hassane, A., Badran, D., Kouli, T., Hossain-Ibrahim, K., & Steele, J. D. (2022). Automated brain tumor identification using magnetic resonance imaging: A systematic review and meta-analysis. Neuro-Oncology Advances, 4(1), vdac081. https:// doi.org/10.1093/noajnl/vdac081
Kuang, H., Najm, M., Chakraborty, D., Maraj, N., Sohn, S. I., Goyal, M., Hill, M. D., Demchuk, A. M., Menon, B. K., & Qiu, W. (2019). Automated ASPECTS on Noncontrast CT Scans in Patients with Acute Ischemic Stroke Using Machine Learning. AJNR. American Journal of Neuroradiology, 40(1), 33–38. https://doi.org/10.3174/ajnr.A5889
Kuang, Z., Deng, X., Yu, L., Zhang, H., Lin, X., & Ma, H. (2020). Skull R-CNN: A CNN-based network for the skull fracture detection. In T. Arbel, I. Ben Ayed, M. de Bruijne, M. Descoteaux, H. Lombaert, & C. Pal (Eds.), Proceedings of the Third Conference on Medical Imaging with Deep Learning (Vol. 121, pp. 382–392). PMLR. https://proceedings.mlr.press/v121/kuang20a.html
Kushibar, K., Valverde, S., González-Villà, S., Bernal, J., Cabezas, M., Oliver, A., & Lladó, X. (2018). Automated sub-cortical brain structure segmentation combining spatial and deep convolutional features. Medical Image Analysis, 48, 177–186. https://doi.org/10.1016/j.media.2018.06.006
Lamptey, R. N. L., Chaulagain, B., Trivedi, R., Gothwal, A., Layek, B., & Singh, J. (2022). A Review of the Common Neurodegenerative Disorders: Current Therapeutic Approaches and the Potential Role of Nanotherapeutics. International Journal of Molecular Sciences, 23(3). https://doi.org/10.3390/ ijms23031851
Leao, D. J., Craig, P. G., Godoy, L. F., Leite, C. C., & Policeni, B. (2020). Response Assessment in Neuro-Oncology Criteria for Gliomas: Practical Approach Using Conventional and Advanced Techniques. AJNR. American Journal of Neuroradiology, 41(1), 10–20. https://doi.org/10.3174/ajnr.A6358
Lebedev, A. V., Westman, E., Van Westen, G. J. P., Kramberger, M. G., Lundervold, A., Aarsland, D., Soininen, H., Kłoszewska, I., Mecocci, P., Tsolaki, M., Vellas, B., Lovestone, S., Simmons, A., & Alzheimer’s Disease Neuroimaging Initiative and the AddNeuroMed consortium. (2014). Random Forest ensembles for detection and prediction of Alzheimer’s disease with a good between-cohort robustness. NeuroImage. Clinical, 6, 115–125. https://doi.org/10.1016/j. nicl.2014.08.023
Lee, D. H., Park, J. E., Nam, Y. K., Lee, J., Kim, S., Kim, Y.-H., & Kim, H. S. (2021). Deep learning-based thin-section MRI reconstruction improves tumour detection and delineation in pre- and post-treatment pituitary adenoma. Scientific Reports, 11(1), 21302. https://doi.org/10.1038/s41598-021-00558-2
Lee, G., Nho, K., Kang, B., Sohn, K.-A., Kim, D., & for Alzheimer’s Disease Neuroimaging Initiative. (2019). Predicting Alzheimer’s disease progression using multi-modal deep learning approach. Scientific Reports, 9(1), 1952. https://doi.org/10.1038/s41598-018-37769-z
Lee, H., Lee, E.-J., Ham, S., Lee, H.-B., Lee, J. S., Kwon, S. U., Kim, J. S., Kim, N., & Kang, D.-W. (2020). Machine Learning Approach to Identify Stroke Within 4.5 Hours. Stroke; a Journal of Cerebral Circulation, 51(3), 860–866. https://doi.org/10.1161/ STROKEAHA.119.027611
Lisowska, A., O’Neil, A., Dilys, V., Daykin, M., Beveridge, E., Muir, K., Mclaughlin, S., & Poole, I. (2017). Context-Aware Convolutional Neural Networks for Stroke Sign Detection in Noncontrast CT Scans. Medical Image Understanding and Analysis, 494–505. https://doi.org/10.1007/978-3-319-60964-5_43
Long, D., Wang, J., Xuan, M., Gu, Q., Xu, X., Kong, D., & Zhang, M. (2012). Automatic classification of early Parkinson’s disease with multi-modal MR imaging. PloS One, 7(11), e47714. https://doi.org/10.1371/journal.pone.0047714
Lopatina, A., Ropele, S., Sibgatulin, R., Reichenbach, J. R., & Güllmar, D. (2020). Investigation of Deep-Learning- Driven Identification of Multiple Sclerosis Patients Based on Susceptibility-Weighted Images Using Relevance Analysis. Frontiers in Neuroscience, 14, 609468. https://doi.org/10.3389/ fnins.2020.609468
Lublin, F. D., Reingold, S. C., Cohen, J. A., Cutter, G. R., Sørensen, P. S., Thompson, A. J., Wolinsky, J. S., Balcer, L. J., Banwell, B., Barkhof, F., Bebo, B., Jr, Calabresi, P. A., Clanet, M., Comi, G., Fox, R. J., Freedman, M. S., Goodman, A. D., Inglese, M., Kappos, L., … Polman, C. H. (2014). Defining the clinical course of multiple sclerosis: the 2013 revisions. Neurology, 83(3), 278–286. https://doi.org/10.1212/ WNL.0000000000000560
Lu, D., Popuri, K., Ding, G. W., Balachandar, R., Beg, M. F., & Alzheimer’s Disease Neuroimaging Initiative. (2018). Multimodal and Multiscale Deep Neural Networks for the Early Diagnosis of Alzheimer’s Disease using structural MR and FDG-PET images. Scientific Reports, 8(1), 5697. https://doi. org/10.1038/s41598-018-22871-z
Mackey J, Kleindorfer D, Sucharew H, et al. Population-based study of wake-up strokes. Neurology. 2011;76(19):1662-1667. doi:10.1212/WNL.0b013e318219fb30
Maegerlein, C., Fischer, J., Mönch, S., Berndt, M., Wunderlich, S., Seifert, C. L., Lehm, M., Boeckh-Behrens, T., Zimmer, C., & Friedrich, B. (2019). Automated Calculation of the Alberta Stroke Program Early CT Score: Feasibility and Reliability. Radiology, 291(1), 141–148. https://doi.org/10.1148/ radiol.2019181228
Mangeat, G., Ouellette, R., Wabartha, M., De Leener, B., Plattén, M., Danylaité Karrenbauer, V., Warntjes, M., Stikov, N., Mainero, C., Cohen-Adad, J., & Granberg, T. (2020). Machine Learning and Multiparametric Brain MRI to Differentiate Hereditary Diffuse Leukodystrophy with Spheroids from Multiple Sclerosis. Journal of Neuroimaging: Official Journal of the American Society of Neuroimaging, 30(5), 674–682. https://doi.org/10.1111/jon.12725
Marks, M. P., Holmgren, E. B., Fox, A. J., Patel, S., von Kummer, R., & Froehlich, J. (1999). Evaluation of early computed tomographic findings in acute ischemic stroke. Stroke; a Journal of Cerebral Circulation, 30(2), 389–392. https://doi.org/10.1161/01.str.30.2.389
Marquand, A. F., Filippone, M., Ashburner, J., Girolami, M., Mourao-Miranda, J., Barker, G. J., Williams, S. C. R., Leigh, P. N., & Blain, C. R. V. (2013). Automated, high accuracy classification of Parkinsonian disorders: a pattern recognition approach. PloS One, 8(7), e69237. https://doi.org/10.1371/ journal.pone.0069237
Marzullo, A., Kocevar, G., Stamile, C., Durand-Dubief, F., Terracina, G., Calimeri, F., & Sappey-Marinier, D. (2019). Classification of Multiple Sclerosis Clinical Profiles via Graph Convolutional Neural Networks. Frontiers in Neuroscience, 13, 594. https://doi.org/10.3389/fnins.2019.00594
Matthews, P. M., Roncaroli, F., Waldman, A., Sormani, M. P., De Stefano, N., Giovannoni, G., & Reynolds, R. (2016). A practical review of the neuropathology and neuroimaging of multiple sclerosis. Practical Neurology, 16(4), 279–287. https://doi.org/10.1136/practneurol-2016-001381
McGinley, M. P., Goldschmidt, C. H., & Rae-Grant, A. D. (2021). Diagnosis and Treatment of Multiple Sclerosis: A Review.JAMA: The Journal of the American Medical Association, 325(8), 765–779. https://doi.org/10.1001/jama.2020.26858
McLouth, J., Elstrott, S., Chaibi, Y., Quenet, S., Chang, P. D., Chow, D. S., & Soun, J. E. (2021). Validation of a Deep Learning Tool in the Detection of Intracranial Hemorrhage and Large Vessel Occlusion. Frontiers in Neurology, 12, 656112. https://doi.org/10.3389/fneur.2021.656112
Menze, B. H., Jakab, A., Bauer, S., Kalpathy-Cramer, J., Farahani, K., Kirby, J., Burren, Y., Porz, N., Slotboom, J., Wiest, R., Lanczi, L., Gerstner, E., Weber, M.-A., Arbel, T., Avants, B. B., Ayache, N., Buendia, P., Collins, D. L., Cordier, N., … Van Leemput, K. (2015). The Multimodal Brain Tumor Image Segmentation Benchmark (BRATS). IEEE Transactions on Medical Imaging, 34(10), 1993–2024. https://doi.org/10.1109/ TMI.2014.2377694
Merkaj, S., Bahar, R. C., Zeevi, T., Lin, M., Ikuta, I., Bousabarah, K., Cassinelli Petersen, G. I., Staib, L., Payabvash, S., Mongan, J. T., Cha, S., & Aboian, M. S. (2022). Machine Learning Tools for Image-Based Glioma Grading and the Quality of Their Reporting: Challenges and Opportunities. Cancers, 14(11). https://doi.org/10.3390/cancers14112623
Moazami, F., Lefevre-Utile, A., Papaloukas, C., & Soumelis, V. (2021). Machine Learning Approaches in Study of Multiple Sclerosis Disease Through Magnetic Resonance Images. Frontiers in Immunology, 12, 700582. https://doi.org/10.3389/ fimmu.2021.700582
Mohd Saad, N., Abdullah, A. R., Mohd Noor, N. S., & Mohd Ali, N. (2019). Automated Segmentation And Classification Technique For Brain Stroke. International Journal of Electrical, Computer, and Systems Engineering, 9(3), 1832–1841. https://doi.org/10.11591/ijece.v9i3.pp1832-1841
Mokin, M., Ansari, S. A., McTaggart, R. A., Bulsara, K. R., Goyal, M., Chen, M., Fraser, J. F., & Society of NeuroInterventional Surgery. (2019). Indications for thrombectomy in acute ischemic stroke from emergent large vessel occlusion (ELVO): report of the SNIS Standards and Guidelines Committee. Journal of Neurointerventional Surgery, 11(3), 215–220. https://doi.org/10.1136/ neurintsurg-2018-014640
Moradi, E., Pepe, A., Gaser, C., Huttunen, H., Tohka, J., & Alzheimer’s Disease Neuroimaging Initiative. (2015). Machine learning framework for early MRI-based Alzheimer’s conversion prediction in MCI subjects. NeuroImage, 104, 398–412. https://doi.org/10.1016/j.neuroimage.2014.10.002
Morey, J. R., Zhang, X., Yaeger, K. A., Fiano, E., Marayati, N. F., Kellner, C. P., De Leacy, R. A., Doshi, A., Tuhrim, S., & Fifi, J. T. (2021). Real-World Experience with Artificial Intelligence- Based Triage in Transferred Large Vessel Occlusion Stroke Patients. Cerebrovascular Diseases, 50(4), 450–455. https://doi.org/10.1159/000515320
Murray, N. M., Unberath, M., Hager, G. D., & Hui, F. K. (2020). Artificial intelligence to diagnose ischemic stroke and identify large vessel occlusions: a systematic review. Journal of Neurointerventional Surgery, 12(2), 156–164. https://doi.org/10.1136/neurintsurg-2019-015135
Nagel, S., Sinha, D., Day, D., Reith, W., Chapot, R., Papanagiotou, P., Warburton, E. A., Guyler, P., Tysoe, S., Fassbender, K., Walter, S., Essig, M., Heidenrich, J., Konstas, A. A., Harrison, M., Papadakis, M., Greveson, E., Joly, O., Gerry, S., … Grunwald, I. Q. (2017). e-ASPECTS software is non-inferior to neuroradiologists in applying the ASPECT score to computed tomography scans of acute ischemic stroke patients. International Journal of Stroke: Official Journal of the International Stroke Society, 12(6), 615–622. https://doi. org/10.1177/1747493016681020
Nazari-Farsani, S., Nyman, M., Karjalainen, T., Bucci, M., Isojärvi, J., & Nummenmaa, L. (2020). Automated segmentation of acute stroke lesions using a data-driven anomaly detection on diffusion weighted MRI. Journal of Neuroscience Methods, 333, 108575. https://doi.org/10.1016/j. jneumeth.2019.108575
Neeb, H., & Schenk, J. (2019). Multivariate prediction of multiple sclerosis using robust quantitative MR-based image metrics. Zeitschrift Fur Medizinische Physik, 29(3), 262–271. https://doi.org/10.1016/j.zemedi.2018.10.004
Ocasio, E., & Duong, T. Q. (2021). Deep learning prediction of mild cognitive impairment conversion to Alzheimer’s disease at 3 years after diagnosis using longitudinal and whole-brain 3D MRI. PeerJ. Computer Science, 7, e560. https://doi.org/10.7717/ peerj-cs.560
Olive-Gadea, M., Crespo, C., Granes, C., Hernandez-Perez, M., Pérez de la Ossa, N., Laredo, C., Urra, X., Carlos Soler, J., Soler, A., Puyalto, P., Cuadras, P., Marti, C., & Ribo, M. (2020). Deep Learning Based Software to Identify Large Vessel Occlusion on Noncontrast Computed Tomography. Stroke; a Journal of Cerebral Circulation, 51(10), 3133–3137. https://doi.org/10.1161/ STROKEAHA.120.030326
Olive-Gadea, M., Martins, N., Boned, S., Carvajal, J., Moreno, M. J., Muchada, M., Molina, C. A., Tomasello, A., Ribo, M., & Rubiera, M. (2019). Baseline ASPECTS and e-ASPECTS Correlation with Infarct Volume and Functional Outcome in Patients Undergoing Mechanical Thrombectomy. Journal of Neuroimaging: Official Journal of the American Society of Neuroimaging, 29(2), 198–202. https://doi.org/10.1111/ jon.12564
Olthof, A. W., van Ooijen, P. M. A., & Rezazade Mehrizi, M. H. (2020). Promises of artificial intelligence in neuroradiology: a systematic technographic review. Neuroradiology, 62(10), 1265–1278. https://doi.org/10.1007/s00234-020-02424-w
Öman, O., Mäkelä, T., Salli, E., Savolainen, S., & Kangasniemi, M. (2019). 3D convolutional neural networks applied to CT angiography in the detection of acute ischemic stroke. European Radiology Experimental, 3(1), 8. https://doi.org/10.1186/s41747-019-0085-6
Ozsahin, I., Sekeroglu, B., Pwavodi, P. C., & Mok, G. S. P. (2020). High-accuracy Automated Diagnosis of Parkinson’s Disease. Current Medical Imaging Reviews, 16(6), 688–694. https://doi.org/10.2174/1573405615666190620113607
Pagan, F. L. (2012). Improving outcomes through early diagnosis of Parkinson’s disease. The American Journal of Managed Care, 18(7 Suppl), S176–S182. https://www.ncbi.nlm. nih.gov/pubmed/23039866
Park, J. E., Kim, H. S., Park, S. Y., Nam, S. J., Chun, S.-M., Jo, Y., & Kim, J. H. (2020). Prediction of Core Signaling Pathway by Using Diffusion- and Perfusion-based MRI Radiomics and Next-generation Sequencing in Isocitrate Dehydrogenase Wildtype Glioblastoma. Radiology, 294(2), 388–397. https://doi. org/10.1148/radiol.2019190913
Peng, B., Wang, S., Zhou, Z., Liu, Y., Tong, B., Zhang, T., & Dai, Y. (2017). A multilevel-ROI-features-based machine learning method for detection of morphometric biomarkers in Parkinson’s disease. Neuroscience Letters, 651, 88–94. https://doi. org/10.1016/j.neulet.2017.04.034
Petersen, R. C. (2016). Mild Cognitive Impairment. Continuum, 22(2 Dementia), 404–418. https://doi.org/10.1212/CON.0000000000000313
Piccardo, A., Cappuccio, R., Bottoni, G., Cecchin, D., Mazzella, L., Cirone, A., Righi, S., Ugolini, M., Bianchi, P., Bertolaccini, P., Lorenzini, E., Massollo, M., Castaldi, A., Fiz, F., Strada, L., Cistaro, A., & Del Sette, M. (2021). The role of the deep convolutional neural network as an aid to interpreting brain [18F]DOPA PET/CT in the diagnosis of Parkinson’s disease. European Radiology, 31(9), 7003–7011. https://doi.org/10.1007/ s00330-021-07779-z
Pirson, F. A. V., Boodt, N., Brouwer, J., Bruggeman, A. A. E., den Hartog, S. J., Goldhoorn, R.-J. B., Langezaal, L. C. M., Staals, J., van Zwam, W. H., van der Leij, C., Brans, R. J. B., Majoie, C. B. L. M., Coutinho, J. M., Emmer, B. J., Dippel, D. W. J., van der Lugt, A., Vos, J.-A., van Oostenbrugge, R. J., Schonewille, W. J., & MR CLEAN Registry Investigators†. (2022). Endovascular Treatment for Posterior Circulation Stroke in Routine Clinical Practice: Results of the Multicenter Randomized Clinical Trial of Endovascular Treatment for Acute Ischemic Stroke in the Netherlands Registry. Stroke; a Journal of Cerebral Circulation, 53(3), 758–768. https://doi.org/10.1161/ STROKEAHA.121.034786
Pläschke, R. N., Cieslik, E. C., Müller, V. I., Hoffstaedter, F., Plachti, A., Varikuti, D. P., Goosses, M., Latz, A., Caspers, S., Jockwitz, C., Moebus, S., Gruber, O., Eickhoff, C. R., Reetz, K., Heller, J., Südmeyer, M., Mathys, C., Caspers, J., Grefkes, C., … Eickhoff, S. B. (2017). On the integrity of functional brain networks in schizophrenia, Parkinson’s disease, and advanced age: Evidence from connectivity-based single-subject classification. Human Brain Mapping, 38(12), 5845–5858. https://doi.org/10.1002/hbm.23763
Polson, J. S., Zhang, H., Nael, K., Salamon, N., Yoo, B. Y., El-Saden, S., Starkman, S., Kim, N., Kang, D.-W., Speier, W. F., 4th, & Arnold, C. W. (2022). Identifying acute ischemic stroke patients within the thrombolytic treatment window using deep learning. Journal of Neuroimaging: Official Journal of the American Society of Neuroimaging. https://doi.org/10.1111/jon.13043
Potreck, A., Weyland, C. S., Seker, F., Neuberger, U., Herweh, C., Hoffmann, A., Nagel, S., Bendszus, M., & Mutke, M. A. (2022). Accuracy and prognostic role of NCCT-ASPECTS depend on time from acute stroke symptom-onset for both human and machine-learning based evaluation. Clinical Neuroradiology, 32(1), 133–140. https://doi.org/10.1007/s00062-021-01110-5
Powers, W. J., Rabinstein, A. A., Ackerson, T., Adeoye, O. M., Bambakidis, N. C., Becker, K., Biller, J., Brown, M., Demaerschalk, B. M., Hoh, B., Jauch, E. C., Kidwell, C. S., Leslie-Mazwi, T. M., Ovbiagele, B., Scott, P. A., Sheth, K. N., Southerland, A. M., Summers, D. V., & Tirschwell, D. L. (2018). 2018 Guidelines for the Early Management of Patients With Acute Ischemic Stroke: A Guideline for Healthcare Professionals From the American Heart Association/American Stroke Association. Stroke; a Journal of Cerebral Circulation, 49(3), e46–e110. https://doi.org/10.1161/STR.0000000000000158
Qiu, W., Kuang, H., Teleg, E., Ospel, J. M., Sohn, S. I., Almekhlafi, M., Goyal, M., Hill, M. D., Demchuk, A. M., & Menon, B. K. (2020). Machine Learning for Detecting Early Infarction in Acute Stroke with Non-Contrast-enhanced CT. Radiology, 294(3), 638–644. https://doi.org/10.1148/ radiol.2020191193
Qubiotech. (2021, November 9). Qubiotech. https://qubiotech.com/en/resources/
Qureshi, A. I., Mendelow, A. D., & Hanley, D. F. (2009). Intracerebral haemorrhage. The Lancet, 373(9675), 1632–1644. https://doi.org/10.1016/S0140-6736(09)60371-8
Raimbault, A., Cazals, X., Lauvin, M.-A., Destrieux, C., Chapet, S., & Cottier, J.-P. (2014). Radionecrosis of malignant glioma and cerebral metastasis: a diagnostic challenge in MRI. Diagnostic and Interventional Imaging, 95(10), 985–1000. https:// doi.org/10.1016/j.diii.2014.06.013
Rao, B., Zohrabian, V., Cedeno, P., Saha, A., Pahade, J., & Davis, M. A. (2021). Utility of Artificial Intelligence Tool as a Prospective Radiology Peer Reviewer - Detection of Unreported Intracranial Hemorrhage. Academic Radiology, 28(1), 85–93. https://doi.org/10.1016/j.acra.2020.01.035
Rava, R. A., Peterson, B. A., Seymour, S. E., Snyder, K. V., Mokin, M., Waqas, M., Hoi, Y., Davies, J. M., Levy, E. I., Siddiqui, A. H., & Ionita, C. N. (2021). Validation of an artificial intelligence-driven large vessel occlusion detection algorithm for acute ischemic stroke patients. The Neuroradiology Journal, 34(5), 408–417. https://doi.org/10.1177/1971400921998952
Rava, R. A., Seymour, S. E., LaQue, M. E., Peterson, B. A., Snyder, K. V., Mokin, M., Waqas, M., Hoi, Y., Davies, J. M., Levy, E. I., Siddiqui, A. H., & Ionita, C. N. (2021). Assessment of an Artificial Intelligence Algorithm for Detection of Intracranial Hemorrhage. World Neurosurgery, 150, e209–e217. https://doi. org/10.1016/j.wneu.2021.02.134
Rezazade Mehrizi, M. H., van Ooijen, P., & Homan, M. (2021). Applications of artificial intelligence (AI) in diagnostic radiology: a technography study. European Radiology, 31(4), 1805–1811. https://doi.org/10.1007/s00330-020-07230-9
Rizzo, G., Copetti, M., Arcuti, S., Martino, D., Fontana, A., & Logroscino, G. (2016). Accuracy of clinical diagnosis of Parkinson disease: A systematic review and metaanalysis. Neurology, 86(6), 566–576. https://doi.org/10.1212/ WNL.0000000000002350
Roca, P., Attye, A., Colas, L., Tucholka, A., Rubini, P., Cackowski, S., Ding, J., Budzik, J.-F., Renard, F., Doyle, S., Barbier, E. L., Bousaid, I., Casey, R., Vukusic, S., Lassau, N., Verclytte, S., Cotton, F., OFSEP Investigators, Steering Committee, … Imaging group. (2020). Artificial intelligence to predict clinical disability in patients with multiple sclerosis using FLAIR MRI. Diagnostic and Interventional Imaging, 101(12), 795–802. https://doi.org/10.1016/j.diii.2020.05.009
Rocca, M. A., Anzalone, N., Storelli, L., Del Poggio, A., Cacciaguerra, L., Manfredi, A. A., Meani, A., & Filippi, M. (2021). Deep Learning on Conventional Magnetic Resonance Imaging Improves the Diagnosis of Multiple Sclerosis Mimics. Investigative Radiology, 56(4), 252–260. https://doi.org/10.1097/ RLI.0000000000000735
Rotstein, D., & Montalban, X. (2019). Reaching an evidencebased prognosis for personalized treatment of multiple sclerosis. Nature Reviews. Neurology, 15(5), 287–300. https://doi.org/10.1038/s41582-019-0170-8
Roy, S., Butman, J. A., Reich, D. S., Calabresi, P. A., & Pham, D. L. (2018). Multiple Sclerosis Lesion Segmentation from Brain MRI via Fully Convolutional Neural Networks. In arXiv [cs.CV]. arXiv. http://arxiv.org/abs/1803.09172
Saccà, V., Sarica, A., Novellino, F., Barone, S., Tallarico, T., Filippelli, E., Granata, A., Chiriaco, C., Bruno Bossio, R., Valentino, P., & Quattrone, A. (2019). Evaluation of machine learning algorithms performance for the prediction of early multiple sclerosis from resting-state FMRI connectivity data. Brain Imaging and Behavior, 13(4), 1103–1114. https://doi.org/10.1007/s11682-018-9926-9
Salvatore, C., Cerasa, A., Battista, P., Gilardi, M. C., Quattrone, A., Castiglioni, I., & Alzheimer’s Disease Neuroimaging Initiative. (2015). Magnetic resonance imaging biomarkers for the early diagnosis of Alzheimer’s disease: a machine learning approach. Frontiers in Neuroscience, 9, 307. https://doi.org/10.3389/fnins.2015.00307
Salvatore, C., Cerasa, A., Castiglioni, I., Gallivanone, F., Augimeri, A., Lopez, M., Arabia, G., Morelli, M., Gilardi, M. C., & Quattrone, A. (2014). Machine learning on brain MRI data for differential diagnosis of Parkinson’s disease and Progressive Supranuclear Palsy. Journal of Neuroscience Methods, 222, 230–237. https://doi.org/10.1016/j.jneumeth.2013.11.016
Samarasekera, S., Udupa, J. K., Miki, Y., Wei, L., & Grossman, R. I. (1997). A new computer-assisted method for the quantification of enhancing lesions in multiple sclerosis. Journal of Computer Assisted Tomography, 21(1), 145–151. https://doi.org/10.1097/00004728-199701000-00028
Schmidt, P., Gaser, C., Arsic, M., Buck, D., Förschler, A., Berthele, A., Hoshi, M., Ilg, R., Schmid, V. J., Zimmer, C., Hemmer, B., & Mühlau, M. (2012). An automated tool for detection of FLAIR-hyperintense white-matter lesions in Multiple Sclerosis. NeuroImage, 59(4), 3774–3783. https://doi.org/10.1016/j.neuroimage.2011.11.032
Schmitt, N., Mokli, Y., Weyland, C. S., Gerry, S., Herweh, C., Ringleb, P. A., & Nagel, S. (2022). Automated detection and segmentation of intracranial hemorrhage suspect hyperdensities in non-contrast-enhanced CT scans of acute stroke patients. European Radiology, 32(4), 2246–2254. https://doi.org/10.1007/s00330-021-08352-4
Schröder, J., & Thomalla, G. (2016). A Critical Review of Alberta Stroke Program Early CT Score for Evaluation of Acute Stroke Imaging. Frontiers in Neurology, 7, 245. https://doi.org/10.3389/ fneur.2016.00245
Schweitzer, A. D., Niogi, S. N., Whitlow, C. T., & Tsiouris, A. J. (2019). Traumatic Brain Injury: Imaging Patterns and Complications. Radiographics: A Review Publication of the Radiological Society of North America, Inc, 39(6), 1571–1595. https://doi.org/10.1148/rg.2019190076
Seker, F., Pfaff, J., Nagel, S., Vollherbst, D., Gerry, S., Möhlenbruch, M. A., Bendszus, M., & Herweh, C. (2019). CT Reconstruction Levels Affect Automated and Reader- Based ASPECTS Ratings in Acute Ischemic Stroke. Journal of Neuroimaging: Official Journal of the American Society of Neuroimaging, 29(1), 62–64. https://doi.org/10.1111/jon.12562
Siddique, M. M. R., Yang, D., He, Y., Xu, D., & Myronenko, A. (2022). Automated ischemic stroke lesion segmentation from 3D MRI. In arXiv [eess.IV]. arXiv. http://arxiv.org/abs/2209.09546
Singh, G., Manjila, S., Sakla, N., True, A., Wardeh, A. H., Beig, N., Vaysberg, A., Matthews, J., Prasanna, P., & Spektor, V. (2021). Radiomics and radiogenomics in gliomas: a contemporary update. British Journal of Cancer, 125(5), 641–657. https://doi.org/10.1038/s41416-021-01387-w
Skull fractures. (n.d.). Retrieved January 7, 2023, from https:// bestpractice.bmj.com/topics/en-gb/3000207
Song, T. (2019). Generative Model-Based Ischemic Stroke Lesion Segmentation. In arXiv [eess.IV]. arXiv. http://arxiv.org/ abs/1906.02392
Spasov, S., Passamonti, L., Duggento, A., Liò, P., Toschi, N., & Alzheimer’s Disease Neuroimaging Initiative. (2019). A parameter-efficient deep learning approach to predict conversion from mild cognitive impairment to Alzheimer’s disease. NeuroImage, 189, 276–287. https://doi.org/10.1016/j. neuroimage.2019.01.031
Strub, W. M., Leach, J. L., Tomsick, T., & Vagal, A. (2007). Overnight preliminary head CT interpretations provided by residents: locations of misidentified intracranial hemorrhage. AJNR. American Journal of Neuroradiology, 28(9), 1679–1682. https://doi.org/10.3174/ajnr.A0653
Tang, Y., Xiao, X., Xie, H., Wan, C.-M., Meng, L., Liu, Z.-H., Liao, W.-H., Tang, B.-S., & Guo, J.-F. (2017). Altered Functional Brain Connectomes between Sporadic and Familial Parkinson’s Patients. Frontiers in Neuroanatomy, 11, 99. https://doi.org/10.3389/fnana.2017.00099
Theocharakis, P., Glotsos, D., Kalatzis, I., Kostopoulos, S., Georgiadis, P., Sifaki, K., Tsakouridou, K., Malamas, M., Delibasis, G., Cavouras, D., & Nikiforidis, G. (2009). Pattern recognition system for the discrimination of multiple sclerosis from cerebral microangiopathy lesions based on texture analysis of magnetic resonance images. Magnetic Resonance Imaging, 27(3), 417–422. https://doi.org/10.1016/j. mri.2008.07.014
Thomalla, G., Cheng, B., Ebinger, M., Hao, Q., Tourdias, T., Wu, O., Kim, J. S., Breuer, L., Singer, O. C., Warach, S., Christensen, S., Treszl, A., Forkert, N. D., Galinovic, I., Rosenkranz, M., Engelhorn, T., Köhrmann, M., Endres, M., Kang, D. W., … Gerloff, C. (2011). DWI-FLAIR mismatch for the identification of patients with acute ischaemic stroke within 4·5 h of symptom onset (PRE-FLAIR): A multicentre observational study. Lancet Neurology, 10(11), 978–986. https:// doi.org/10.1016/S1474-4422(11)70192-2
Thomalla, G., Simonsen, C. Z., Boutitie, F., Andersen, G., Berthezene, Y., Cheng, B., Cheripelli, B., Cho, T.-H., Fazekas, F., Fiehler, J., Ford, I., Galinovic, I., Gellissen, S., Golsari, A., Gregori, J., Günther, M., Guibernau, J., Häusler, K. G., Hennerici, M., … Gerloff, C. (2018). MRI-Guided Thrombolysis for Stroke with Unknown Time of Onset. The New England Journal of Medicine, NEJMoa1804355. https://doi.org/10.1056/ NEJMoa1804355
Thompson, A. J., Banwell, B. L., Barkhof, F., Carroll, W. M., Coetzee, T., Comi, G., Correale, J., Fazekas, F., Filippi, M., Freedman, M. S., Fujihara, K., Galetta, S. L., Hartung, H. P., Kappos, L., Lublin, F. D., Marrie, R. A., Miller, A. E., Miller, D. H., Montalban, X., … Cohen, J. A. (2018). Diagnosis of multiple sclerosis: 2017 revisions of the McDonald criteria. Lancet Neurology, 17(2), 162–173. https://doi.org/10.1016/S1474- 4422(17)30470-2
Thust, S. C., van den Bent, M. J., & Smits, M. (2018). Pseudoprogression of brain tumors. Journal of Magnetic Resonance Imaging: JMRI, 48(3), 571–589. https://doi. org/10.1002/jmri.26171
Tommasin, S., Cocozza, S., Taloni, A., Giannì, C., Petsas, N., Pontillo, G., Petracca, M., Ruggieri, S., De Giglio, L., Pozzilli, C., Brunetti, A., & Pantano, P. (2021). Machine learning classifier to identify clinical and radiological features relevant to disability progression in multiple sclerosis. Journal of Neurology, 268(12), 4834–4845. https://doi.org/10.1007/s00415- 021-10605-7
Tsai, J. P., & Albers, G. W. (2017). Wake-Up Stroke. Topics in Magnetic Resonance Imaging: TMRI, 1. https://doi.org/10.1097/ RMR.0000000000000126
Valverde, S., Cabezas, M., Roura, E., González-Villà, S., Pareto, D., Vilanova, J. C., Ramió-Torrentà, L., Rovira, À., Oliver, A., & Lladó, X. (2017). Improving automated multiple sclerosis lesion segmentation with a cascaded 3D convolutional neural network approach. NeuroImage, 155, 159–168. https://doi.org/10.1016/j.neuroimage.2017.04.034
Valverde, S., Salem, M., Cabezas, M., Pareto, D., Vilanova, J. C., Ramió-Torrentà, L., Rovira, À., Salvi, J., Oliver, A., & Lladó, X. (2019). One-shot domain adaptation in multiple sclerosis lesion segmentation using convolutional neural networks. NeuroImage. Clinical, 21, 101638. https://doi.org/10.1016/j. nicl.2018.101638
van Asch, C. J., Luitse, M. J., Rinkel, G. J., van der Tweel, I., Algra, A., & Klijn, C. J. (2010). Incidence, case fatality, and functional outcome of intracerebral haemorrhage over time, according to age, sex, and ethnic origin: a systematic review and meta-analysis. Lancet Neurology, 9(2), 167–176. https://doi. org/10.1016/S1474-4422(09)70340-0
van Leeuwen, K. G., Meijer, F. J. A., Schalekamp, S., Rutten, M. J. C. M., van Dijk, E. J., van Ginneken, B., Govers, T. M., & de Rooij, M. (2021). Cost-effectiveness of artificial intelligence aided vessel occlusion detection in acute stroke: an early health technology assessment. Insights into Imaging, 12(1), 133. https://doi.org/10.1186/s13244-021-01077-4
van Leeuwen, K. G., Schalekamp, S., Rutten, M. J. C. M., van Ginneken, B., & de Rooij, M. (2021). Artificial intelligence in radiology: 100 commercially available products and their scientific evidence. European Radiology, 31(6), 3797–3804. https://doi.org/10.1007/s00330-021-07892-z
Wachinger, C., Reuter, M., & Klein, T. (2018). DeepNAT: Deep convolutional neural network for segmenting neuroanatomy. NeuroImage, 170, 434–445. https://doi.org/10.1016/j. neuroimage.2017.02.035
Wang, X., Shen, T., Yang, S., Lan, J., Xu, Y., Wang, M., Zhang, J., & Han, X. (2021). A deep learning algorithm for automatic detection and classification of acute intracranial hemorrhages in head CT scans. NeuroImage. Clinical, 32, 102785. https://doi. org/10.1016/j.nicl.2021.102785
Wardlaw, J. M., Mair, G., von Kummer, R., Williams, M. C., Li, W., Storkey, A. J., Trucco, E., Liebeskind, D. S., Farrall, A., Bath, P. M., & White, P. (2022). Accuracy of Automated Computer-Aided Diagnosis for Stroke Imaging: A Critical Evaluation of Current Evidence. Stroke; a Journal of Cerebral Circulation, 53(7), 2393–2403. https://doi.org/10.1161/ STROKEAHA.121.036204
Wattjes, M. P., Rovira, À., Miller, D., Yousry, T. A., Sormani, M. P., de Stefano, M. P., Tintoré, M., Auger, C., Tur, C., Filippi, M., Rocca, M. A., Fazekas, F., Kappos, L., Polman, C., Frederik Barkhof, Xavier Montalban, & MAGNIMS study group. (2015). Evidence-based guidelines: MAGNIMS consensus guidelines on the use of MRI in multiple sclerosis--establishing disease prognosis and monitoring patients. Nature Reviews. Neurology, 11(10), 597–606. https://doi.org/10.1038/nrneurol.2015.157
Wildner, P., Stasiołek, M., & Matysiak, M. (2020). Differential diagnosis of multiple sclerosis and other inflammatory CNS diseases. Multiple Sclerosis and Related Disorders, 37, 101452. https://doi.org/10.1016/j.msard.2019.101452
Wismüller, A., & Stockmaster, L. (2020). A prospective randomized clinical trial for measuring radiology study reporting time on Artificial Intelligence-based detection of intracranial hemorrhage in emergent care head CT. Medical Imaging 2020: Biomedical Applications in Molecular, Structural, and Functional Imaging, 11317, 144–150. https://doi. org/10.1117/12.2552400
Wong, K. K., Cummock, J. S., Li, G., Ghosh, R., Xu, P., Volpi, J. J., & Wong, S. T. C. (2022). Automatic Segmentation in Acute Ischemic Stroke: Prognostic Significance of Topological Stroke Volumes on Stroke Outcome. Stroke; a Journal of Cerebral Circulation, 101161STROKEAHA121037982. https://doi. org/10.1161/STROKEAHA.121.037982
World Stroke Organisation (2022) Global Stroke Fact Sheet. Retrieved December 2022 from https://www.world-stroke.org/ assets/downloads/WSO_Global_Stroke_Fact_Sheet.pdf
Wottschel, V., Alexander, D. C., Kwok, P. P., Chard, D. T., Stromillo, M. L., De Stefano, N., Thompson, A. J., Miller, D. H., & Ciccarelli, O. (2015). Predicting outcome in clinically isolated syndrome using machine learning. NeuroImage. Clinical, 7, 281–287. https://doi.org/10.1016/j.nicl.2014.11.021
Wottschel, V., Chard, D. T., Enzinger, C., Filippi, M., Frederiksen, J. L., Gasperini, C., Giorgio, A., Rocca, M. A., Rovira, A., De Stefano, N., Tintoré, M., Alexander, D. C., Barkhof, F., Ciccarelli, O., & MAGNIMS study group and the EuroPOND consortium. (2019). SVM recursive feature elimination analyses of structural brain MRI predicts nearterm relapses in patients with clinically isolated syndromes suggestive of multiple sclerosis. NeuroImage. Clinical, 24, 102011. https://doi.org/10.1016/j.nicl.2019.102011
Yahav-Dovrat, A., Saban, M., Merhav, G., Lankri, I., Abergel, E., Eran, A., Tanne, D., Nogueira, R. G., & Sivan-Hoffmann, R. (2021). Evaluation of Artificial Intelligence-Powered Identification of Large-Vessel Occlusions in a Comprehensive Stroke Center. AJNR. American Journal of Neuroradiology, 42(2), 247–254. https://doi.org/10.3174/ajnr.A6923
Ye, H., Gao, F., Yin, Y., Guo, D., Zhao, P., Lu, Y., Wang, X., Bai, J., Cao, K., Song, Q., Zhang, H., Chen, W., Guo, X., & Xia, J. (2019). Precise diagnosis of intracranial hemorrhage and subtypes using a three-dimensional joint convolutional and recurrent neural network. European Radiology, 29(11), 6191–6201. https:// doi.org/10.1007/s00330-019-06163-2
Yoo, Y., Tang, L. Y. W., Brosch, T., Li, D. K. B., Kolind, S., Vavasour, I., Rauscher, A., MacKay, A. L., Traboulsee, A., & Tam, R. C. (2018). Deep learning of joint myelin and T1w MRI features in normal-appearing brain tissue to distinguish between multiple sclerosis patients and healthy controls. NeuroImage. Clinical, 17, 169–178. https://doi.org/10.1016/j. nicl.2017.10.015
Zaki, L. A. M., Vernooij, M. W., Smits, M., Tolman, C., Papma, J. M., Visser, J. J., & Steketee, R. M. E. (2022). Comparing two artificial intelligence software packages for normative brain volumetry in memory clinic imaging. Neuroradiology, 64(7), 1359–1366. https://doi.org/10.1007/s00234-022-02898-w
Zhang, Q., Cao, J., Zhang, J., Bu, J., Yu, Y., Tan, Y., Feng, Q., & Huang, M. (2019). Differentiation of Recurrence from Radiation Necrosis in Gliomas Based on the Radiomics of Combinational Features and Multimodality MRI Images. Computational and Mathematical Methods in Medicine, 2019, 2893043. https://doi. org/10.1155/2019/2893043
Zhang, S., Nguyen, T. D., Zhao, Y., Gauthier, S. A., Wang, Y., & Gupta, A. (2018). Diagnostic accuracy of semiautomatic lesion detection plus quantitative susceptibility mapping in the identification of new and enhancing multiple sclerosis lesions. NeuroImage. Clinical, 18, 143–148. https://doi.org/10.1016/j. nicl.2018.01.013
Zhang, Y.-Q., Liu, A.-F., Man, F.-Y., Zhang, Y.-Y., Li, C., Liu, Y.-E., Zhou, J., Zhang, A.-P., Zhang, Y.-D., Lv, J., & Jiang, W.-J. (2022). MRI radiomic features-based machine learning approach to classify ischemic stroke onset time. Journal of Neurology, 269(1), 350–360. https://doi.org/10.1007/s00415-021-10638-y
Zhao, Y., Healy, B. C., Rotstein, D., Guttmann, C. R. G., Bakshi, R., Weiner, H. L., Brodley, C. E., & Chitnis, T. (2017). Exploration of machine learning techniques in predicting multiple sclerosis disease course. PloS One, 12(4), e0174866. https://doi.org/10.1371/journal.pone.0174866
Zhao, Y., Wang, T., Bove, R., Cree, B., Henry, R., Lokhande, H., Polgar-Turcsanyi, M., Anderson, M., Bakshi, R., Weiner, H. L., Chitnis, T., & SUMMIT Investigators. (2020). Ensemble learning predicts multiple sclerosis disease course in the SUMMIT study. NPJ Digital Medicine, 3, 135. https://doi. org/10.1038/s41746-020-00338-8
Zhu, H., Jiang, L., Zhang, H., Luo, L., Chen, Y., & Chen, Y. (2021). An automatic machine learning approach for ischemic stroke onset time identification based on DWI and FLAIR imaging. NeuroImage. Clinical, 31, 102744. https://doi.org/10.1016/j. nicl.2021.102744
Zurita, M., Montalba, C., Labbé, T., Cruz, J. P., Dalboni da Rocha, J., Tejos, C., Ciampi, E., Cárcamo, C., Sitaram, R., & Uribe, S. (2018). Characterization of relapsing-remitting multiple sclerosis patients using support vector machine classifications of functional and diffusion MRI data. NeuroImage. Clinical, 20, 724–730. https://doi.org/10.1016/j. nicl.2018.09.002
