Les troubles neurologiques sont responsables du taux d’invalidité le plus élevé et du deuxième taux de mortalité le plus élevé au monde (Feigin et al., 2020). L'imagerie médicale en neurologie repose principalement sur des modalités qui génèrent de grandes quantités de données complexes, notamment l'imagerie par résonance magnétique (IRM), la tomodensitométrie (TDM) et l'imagerie nucléaire. Ainsi, de nombreuses recherches sur les applications de l’intelligence artificielle (IA) en radiologie ont ciblé les troubles neurologiques. En fait, entre 29 % et 38 % de toutes les applications commerciales basées sur l’IA en radiologie se concentrent sur le cerveau ou la colonne vertébrale, une proportion plus élevée que pour toute autre région anatomique.
La plupart de ces applications visent à aider les radiologues soit en soutenant leur interprétation des images, par exemple en rendant ces tâches plus efficaces, soit en étendant les capacités des radiologues, par exemple en fournissant une quantification plus détaillée des données de neuro-imagerie (Olthof et al., 2020). Ce livre présente les applications les plus courantes de l’IA en neuroradiologie et discute des preuves qui les sous-tendent.
Hémorragie intracrânienne
L’hémorragie intracrânienne (HIC) aiguë touche environ 3,4 millions de personnes chaque année dans le monde (organisation mondiale de l’AVC 2022). L'HIC entraîne une morbidité et une mortalité élevées et nécessite souvent une intervention neurochirurgicale rapide ou un suivi clinique et d'imagerie étroit (Broderick et al., 2007 ; van Asch et al., 2010). En particulier chez les patients présentant des déficits neurologiques aigus et suspectés d'avoir subi un accident vasculaire cérébral, la détection d'une hémorragie intracrânienne aiguë est d'une importance primordiale car il s'agit d'une contre-indication absolue à la thrombolyse intraveineuse (Fugate & Rabinstein, 2015).
En situation d’urgence, les cas suspects d’HIC sont généralement initialement étudiés à l’aide d’une tomodensitométrie sans contraste (NCCT) de la tête. En effet, la tomodensitométrie est largement disponible, rapide, très sensible pour l'HIC et présente relativement peu de contre-indications (A. Jain et al., 2021). L'alternative est l'IRM, qui est plus sensible aux hémorragies très petites et chroniques, mais qui est plus lente, moins facilement disponible, plus coûteuse et contre-indiquée chez certains patients (Chalela et al., 2007).
Dans une étude visant à déterminer les types d'erreurs commises par les internes en radiologie dans la détection de l'HIC, les chercheurs ont trouvé des écarts dans 4,6 % des examens de nuit interprétés par les internes et sur ce pourcentage, 13,6 % étaient dus à une hémorragie qui n'était pas incluse ou rapportée de manière inexacte dans les rapports des internes. (Strub et al., 2007). L'HIC peut être subdivisée en hémorragie intraparenchymateuse, hémorragie intraventriculaire, hémorragie sous-durale, hémorragie extradurale et hémorragie sous-arachnoïdienne. Parmi celles-ci, les hémorragies sous-durales et sous-arachnoïdiennes sont celles qui passent le plus souvent inaperçues, en particulier si elles sont très petites (Strub et al., 2007). De plus, l'anatomie cérébrale normale et les artefacts d'images sont souvent confondus avec une hémorragie intracrânienne par les internes en radiologie (Erly et al., 2002).
La grande majorité des applications basées sur l’IA visant à détecter et à classer les hémorragies intracrâniennes utilisent la NCCT comme entrée et sont basées sur des réseaux neuronaux convolutifs. À quelques exceptions près (Bar et al., 2019 ; Wang et al., 2021 ; Ye et al., 2019), des descriptions très détaillées de l'architecture réseau ne sont pas facilement disponibles pour la plupart des applications. La quantité et la qualité des données utilisées pour entraîner ces algorithmes varient considérablement, allant de centaines (Bar et al., 2019 ; Heit et al., 2021) à des milliers (McLouth et al., 2021 ; Rava, Seymour, et al., 2021) à des dizaines de milliers (Chilamkurthy et al., 2018 ; Gibson et al., 2022 ; Ginat, 2021) d'examens NCCT.
En plus de la classification de la présence ou de l'absence d’HIC, des applications d'algorithmes basés sur l'IA ont également été utilisées pour classer les sous-types d’HIC (Chilamkurthy et al., 2018 ; Gibson et al., 2022 ; Wang et al., 2021 ; Ye et al., 2019), détecter les résultats associés tels que l'effet de masse, le déplacement de la ligne médiane et les fractures (Chilamkurthy et al., 2018), et effectuer la segmentation et la volumétrie des hémorragies (Bar et al., 2019 ; Gibson et al., 2022 ; Heit et al., 2021). De plus, une application basée sur l'IA estime également le degré d'incertitude dans la décision de l'algorithme pour aider le radiologue à interpréter le résultat de l'algorithme (Gibson et al., 2022).
Parmi les sous-types d'HIC, les applications basées sur l'IA issues des études mentionnées montrent généralement la sensibilité la plus élevée à l'hémorragie intraventriculaire (Chilamkurthy et al., 2018 ; Gibson et al., 2022 ; McLouth et al., 2021 ; Wang et al., 2021), probablement en raison de la grande différence de densité TDM entre le liquide céphalo-rachidien et le sang. Dans toutes les applications, la sensibilité est relativement faible pour les hémorragies sous-arachnoïdiennes (Gibson et al., 2022 ; McLouth et al., 2021 ; Rava, Seymour, et al., 2021 ; Wang et al., 2021 ; Ye et al., 2019), peut-être parce que celles-ci ont tendance à être petites et/ou adjacentes à des structures osseuses ou à des artefacts tomodensitométriques hyperdenses (par exemple dans les citernes basales). D'autres applications ont également montré une sensibilité relativement faible à l'hémorragie sous-durale, en particulier dans des endroits moins courants tels que le long de la faux cérébrale (Chilamkurthy et al., 2018 ; Rao et al., 2021 ; Wang et al., 2021 ; Ye et al. , 2019). La sensibilité a également tendance à être plus faible pour les hémorragies plus petites, définies comme < 1,5 ml ou < 5 ml, selon l'étude (Heit et al., 2021 ; McLouth et al., 2021 ; Rava, Seymour, et al., 2021). Une seule des études mentionnées a systématiquement étudié les différences entre les fournisseurs de scanners et les paramètres d'analyse sur les performances de diagnostic des applications basées sur l'IA pour la détection de l’HIC (McLouth et al., 2021).
Certaines études ont directement comparé les performances des applications basées sur l'IA à celles des experts. Dans une étude portant sur 160 NCCT (49 % atteints d'HIC) utilisant l'évaluation d'un consultant en neuroradiologie comme vérité du terrain, un réseau neuronal convolutif (CNN) U-Net a montré une sensibilité (91 %) et une spécificité (89 %) inférieures à celles de deux internes en neuroradiologie (sensibilité de 99 à 100 % et spécificité de 98 %) (Schmitt et al., 2022). Dans une autre étude, les interprétations d’une application basée sur l’IA approuvée par la FDA et marquée CE ont été comparées aux lectures d’un panel de trois neuroradiologues traitants qui ont défini la vérité du terrain.
L'application basée sur l'IA a démontré la même sensibilité qu'un chercheur en neuroradiologie (91,9 %), mais la spécificité de l'application était nettement inférieure (application : 84,4 % ; chercheur : 99,6 %) (Eldaya et al., 2022). Une autre application basée sur l’IA présentait une sensibilité plus élevée et une spécificité légèrement inférieure pour l’HIC que les internes en radiologie (Ye et al., 2019). L’épaississement dural, les calcifications durales et intraparenchymateuses ainsi que les artefacts de mouvement ou de stries sont les plus susceptibles d’être confondus avec l’HIC par les applications basées sur l’IA (Bar et al., 2019 ; Eldaya et al., 2022 ; Rao et al., 2021).
De nombreuses études ont étudié la précision du diagnostic des applications basées sur l'IA pour détecter l'HIC, mais un autre avantage potentiel du dépistage de l'HIC basé sur l'IA est que les examens peuvent être interprétés plus rapidement, ce qui peut conduire à une prise en charge plus rapide des patients. Bien que moins d’études aient évalué l’impact du dépistage basé sur l’IA sur le timing, certaines études soutiennent des temps de lecture plus rapides. Dans une étude portant sur 620 NCCT, le temps écoulé entre la fin de l'examen et le rapport était de 73 minutes lorsque l'IA informait le lecteur humain qu'elle avait trouvé quelque chose, contre 132 minutes lorsqu'aucune notification de ce type n'avait lieu (Wismüller & Stockmaster, 2020). Dans une autre étude, l’utilisation de l’application basée sur l’IA était associée à des séjours plus courts des patients aux urgences (561 minutes contre 781 minutes sans l’IA) (Chien et al., 2022).
AVC ischémique aigu
Occlusion d'un gros vaisseau
Chez les patients ayant subi un accident vasculaire cérébral ischémique aigu, l’identification rapide des occlusions des gros vaisseaux cérébraux est essentielle pour un traitement rapide. En général, le terme « occlusion des gros vaisseaux (OGV) » fait référence aux occlusions d'artères suffisamment grandes pour se prêter à une thrombectomie mécanique. Actuellement, cela inclut l'artère carotide interne (ACI), les parties proximales des artères cérébrales moyennes (M1 et M2), antérieures (A1) et postérieures (P1), ainsi que l'artère basilaire (Mokin et al., 2019 ; Pirson et al., 2022).
Les OGV sont détectés soit directement par angiographie numérique par soustraction, angiographie par TDM ou angiographie par IRM, soit indirectement par des techniques non angiographiques. En angiographie, les occlusions vasculaires apparaissent comme une interruption soudaine du remplissage par contraste d'une artère (dans l'angiographie avec injection de contraste) ou du signal de flux (dans les techniques sans contraste telles que l'angiographie par IRM à temps de vol). Cela peut se produire avec ou sans la présence d’un remplissage de contraste ou d’un signal de flux distal par rapport au site de l’occlusion. Les signes d'imagerie indirecte de l’OGV sur les techniques non angiographiques incluent un vaisseau hyperdense sur NCCT (représentant le thrombus occlusif) (Gács et al., 1983) et un signe de thrombus de susceptibilité sur les images T2* ou IRM pondérées en fonction de la susceptibilité (Flacke et al., 2000).
La plupart des solutions basées sur l'IA pour la détection des OGV utilisent l'angiographie par TDM (Amukotuwa et al., 2019 ; Murray et al., 2020 ; Rava, Peterson, et al., 2021 ; Wardlaw et al., 2022 ; Yahav- Dovrat et al., 2021), tandis que d'autres utilisent le NCCT (Lisowska et al., 2017 ; Olive-Gadea et al., 2020).
La plupart des applications se sont concentrées sur les OGV des artères intracrâniennes de la circulation antérieure (Adhya et al., 2021 ; Amukotuwa et al., 2019 ; Dehkharghani et al., 2021 ; Rava, Peterson, et al., 2021), reflétant le fait que la thrombectomie mécanique est beaucoup moins fréquemment réalisée dans les occlusions des vaisseaux de circulation postérieure (Adusumilli et al., 2022).
Dans une revue des données probantes sur les applications basées sur l'IA pour la détection de l'OGV, les sensibilités étaient comprises entre 80 et 96 % et les spécificités entre 90 et 98 % (Wardlaw et al., 2022). Les faux positifs des études incluses dans l'examen des preuves étaient généralement dus à une sténose artérielle, une hémorragie intracrânienne, des tumeurs hypervasculaires ou des occlusions de vaisseaux distaux qui ne remplissaient pas les critères d'une OGV (Amukotuwa et al., 2019 ; Yahav- Dovrat et al., 2021). Malheureusement, les données de performances publiées ne sont pas disponibles pour un certain nombre de solutions basées sur l'IA marquées CE, y compris certaines conçues pour la détection de l’OGV (van Leeuwen et al., 2021).
Au moment de la rédaction de cette publication, il n’existe qu’une seule étude portant sur la rentabilité des outils basés sur l’IA pour la détection de l’OGV. L'analyse de l'étude a montré que, en supposant que 6 % des OGV sont manqués par les cliniciens et que l'IA peut aider à réduire ce chiffre de moitié, des économies de coûts de 11 millions de dollars par an pourraient être réalisées au Royaume-Uni (van Leeuwen, Meijer, et al., 2021).
Étant donné que les radiologues et les internes en radiologie ne manquent pas souvent les OGV avec des techniques angiographiques (Duvekot et al., 2021), le principal avantage potentiel de la détection des OGV basée sur l'IA est d'accélérer le traitement en fournissant une évaluation plus rapide. Certaines des applications actuellement disponibles nécessitent entre 1 et 3,5 minutes environ pour traiter les données et prendre une décision concernant la présence d'une OGV (Amukotuwa et al., 2019 ; Dehkharghani et al., 2021 ; Olive-Gadea et al., 2020). Certains outils ont été associés à une réduction d'environ 22,5 minutes du délai entre l'imagerie et le transfert du patient vers un hôpital capable de réaliser une thrombectomie mécanique (Hassan et al., 2020), le temps écoulé entre l'arrivée du patient à l'hôpital et la notification du l'équipe neuroendovasculaire d'environ 15 minutes (Morey et al., 2021), et le temps entre l'imagerie et la ponction à l'aine pour une thrombectomie mécanique d'environ 25 minutes (Adhya et al., 2021).
Modifications ischémiques précoces du tissu cérébral
Sur la TDM, les modifications précoces du tissu cérébral associées à l'ischémie comprennent un gonflement des tissus et une atténuation réduite des tissus due à un oedème ionique (Marks et al., 1999). Ces changements sont intégrés aux outils d’évaluation visuelle utilisés par les radiologues, le plus courant étant l’Alberta Stroke Program Early CT Score (ASPECTS). ASPECTS peut aider à prédire à la fois les résultats fonctionnels et le développement d'une hémorragie intracrânienne symptomatique après une thrombolyse intraveineuse (Schröder et Thomalla, 2016). La plupart des applications basées sur l'IA visant à détecter les changements ischémiques précoces sur NCCT le font en fournissant une évaluation automatisée des ASPECTS (Wardlaw et al., 2022). D'autres applications visent à identifier les changements ischémiques précoces par angiographie TDM (Abdelkhaleq et al., 2021 ; Öman et al., 2019) ou perfusion TDM (Hakim et al., 2021). 2021).
La majorité des algorithmes basés sur l'IA pour identifier les changements ischémiques précoces sur la tomodensitométrie ont utilisé l'évaluation visuelle de la NCCT par des radiologues, des neuroradiologues ou d'autres cliniciens comme norme de référence (Goebel et al., 2018 ; Hoelter et al., 2020 ; Kniep et al., 2020 ; Maegerlein et al., 2019 ; Seker et al., 2019), tandis que certains ont utilisé l'imagerie IRM pondérée en diffusion (Abdelkhaleq et al., 2021 ; Herweh et al., 2016 ; H. Kuang et al., 2019 ; Qiu et al., 2020) ou le noyau de l'infarctus défini par perfusion TDM (Olive- Gadea et al., 2019). La plupart de ces applications utilisent soit des forêts aléatoires (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) soit des réseaux de neurones convolutifs (Öman et al., 2019). De plus, de nombreuses études se sont concentrées sur l'identification automatisée des modifications ischémiques précoces sur l'IRM pondérée en diffusion (Boldsen et al., 2018 ; Mohd Saad et al., 2019 ; Nazari- Farsani et al., 2020 ; Siddique et al., 2022 ; Song, 2019 ; Wong et al., 2022), qui est une méthode très sensible mais peu disponible dans les contextes aigus.
À l’instar des applications OGV, les données de performances accessibles au public ne sont pas disponibles pour certaines solutions basées sur l’IA marquées CE pour la détection de changements ischémiques précoces (van Leeuwen et al., 2021). L'algorithme pour lequel les données les plus publiées sont disponibles est une approche de forêts aléatoires pour l'évaluation ASPECTS qui s'est révélée non inférieure aux neuroradiologues avec une sensibilité de 44 % et une spécificité de 93 % en utilisant la tomodensitométrie de suivi comme vérité du terrain (Nagel et al., 2017). Une autre étude utilisant le même algorithme et la même méthode de vérification sur le terrain a révélé que l'algorithme avait une sensibilité plus élevée (83 % contre 73 %) mais une spécificité plus faible (57 % contre 84 %) pour la notation ASPECTS par rapport aux neuroradiologues (Guberina et al., 2018). Dans une troisième étude, cet algorithme a également obtenu de meilleurs résultats en matière de notation ASPECTS par rapport aux neurologues et aux internes en neurologie, et a obtenu des résultats similaires par rapport aux neuroradiologues (Ferreti et al., 2020).
Dans l’ensemble, peu d’études ont comparé directement différentes applications basées sur l’IA pour détecter les changements ischémiques précoces sur NCCT (Goebel et al., 2018 ; Hoelter et al., 2020). Dans une étude, trois applications disponibles dans le commerce (deux basées sur l’apprentissage automatique et une basée sur la densitométrie) ont été comparées chez 131 patients (Hoelter et al., 2020).
L’étude a révélé que les applications basées sur l’IA avaient une aire sous la courbe (ASC) comprise entre 0,73 et 0,76 par rapport au consensus de trois neuroradiologues.
L'évaluation visuelle des changements ischémiques précoces sur NCCT est particulièrement difficile dans la fosse postérieure, où les artefacts sont fréquents et entravent l'interprétabilité (Hwang et al., 2012). Dans une cohorte de 69 patients présentant des occlusions de l'artère basilaire et ayant passé une NCCT dans les 6 heures suivant l'apparition des symptômes, un algorithme basé sur une forêt aléatoire a identifié des modifications ischémiques précoces dans la circulation postérieure avec une ASC allant de 0,70 (dans le cervelet) à 0,82 (dans le thalamus) en utilisant la NCCT de suivi comme vérité du terrain (Kniep et al., 2020).
Plusieurs facteurs, outre la localisation anatomique, influencent la détectabilité des modifications ischémiques précoces sur la NCCT. Une étude a révélé que la précision de l'évaluation ASPECTS diffère selon le type de reconstruction TDM utilisé, mais qu'un algorithme automatisé fonctionne de manière plus cohérente sur plusieurs reconstructions TDM étudiées que les internes ou consultants en radiologie (Seker et al., 2019). De plus, la précision des évaluations ASPECTS humaines et basées sur l’IA augmente avec le temps écoulé entre l’apparition des symptômes et la NCCT, en raison des changements ischémiques précoces devenant plus prononcés (Potreck et al., 2022).
AVC dont l’heure d’apparition est inconnue
Savoir combien de temps s'est écoulé depuis l'apparition des symptômes d'un AVC est crucial pour orienter un traitement approprié, car la thrombolyse intraveineuse n'est indiquée que lorsqu'elle est administrée dans les 4,5 heures suivant l'apparition des symptômes (Powers et al., 2018). Le début de l’AVC n’est pas toujours définitif, par exemple chez les patients présentant un AVC au réveil. Un accident vasculaire cérébral au réveil survient chez environ 14 % des patients, comme le révèle une étude basée sur la population réalisée sur des patients se présentant aux urgences (Mackey et al., 2011). Plusieurs approches basées sur l'imagerie pour identifier les patients dans la fenêtre temporelle de thrombolyse ont été proposées.
Une approche minutieusement étudiée jusqu'à présent a été la présence d'une lésion aiguë d'accident vasculaire cérébral sur l'imagerie pondérée en diffusion (DWI) et son absence sur l'IRM de récupération par inversion atténuée par fluide (FLAIR). (Ebinger et al., 2010 ; Thomalla et al., 2011 ; Thomalla et al., 2018). L’interprétation automatisée des images IRM DWI et FLAIR est également devenue la cible des algorithmes basés sur l’IA conçus pour aider les radiologues.
Les approches de classification basée sur l'IA des délais d'apparition des accidents vasculaires cérébraux ont inclus les CNN (Polson et al., 2022) ou une combinaison de différents algorithmes d'apprentissage automatique (Jiang et al., 2022 ; H. Lee et al., 2020 ; Zhu et al., 2021). Certaines études ont utilisé une approche basée sur la radiomique impliquant la segmentation des lésions DWI et FLAIR, en extrayant différentes caractéristiques d'imagerie, puis en transmettant ces caractéristiques à différents algorithmes de classification (Jiang et al., 2022 ; H. Lee et al., 2020 ; Zhu et al., 2021).
La classification basée sur l'IA des délais d'apparition des accidents vasculaires cérébraux a généré des sensibilités plus élevées mais des spécificités plus faibles que l'évaluation visuelle réalisée par les radiologues dans plusieurs études (H. Lee et al., 2020 ; Polson et al., 2022). Des sensibilités allant de 73 à 86 % et des spécificités allant de 68 à 85 % ont été rapportées (Jiang et al., 2022 ; H. Lee et al., 2020 ; Polson et al., 2022 ; Zhu et al., 2021). Une étude utilisant une approche radiomique basée uniquement sur les images pondérées DWI et T1 combinées à un algorithme d'apprentissage profond a trouvé une sensibilité de 95 % et une spécificité de 50 % pour l'identification des patients dans la fenêtre temporelle de thrombolyse (Y.-Q. Zhang et al., 2022).
Lésion cérébrale traumatique
Un traumatisme craniocérébral (TCC) aigu est un traumatisme physique soudain qui endommage le cerveau. Ses manifestations comprennent l'HIC, les lésions axonales diffuses et les fractures du crâne et du visage. De plus, les conséquences de certaines de ces manifestations, telles que le déplacement de la ligne médiane et la hernie cérébrale, qui peuvent nécessiter un traitement d'urgence en cas de gravité, peuvent être détectées par imagerie (Schweitzer et al., 2019).
Bien que les fractures du crâne non déplacées sans HIC associée soient traitées de manière conservatrice (Skull Fractures, n.d.), peu d'études ont abordé leur détection à l'aide de techniques basées sur l'IA. Néanmoins, certaines tentatives ont été faites récemment pour classer les fractures du crâne détectées sur la NCCT.
Un algorithme basé sur une approche d'apprentissage multi-label et entraîné sur 174 NCCT (dont 103 avec fractures) a montré une précision de 98 % et une spécificité de 92 % pour la détection des fractures du crâne (Emon et al., 2022). Les précisions et spécificités les plus faibles concernaient les fractures déprimées, et les précisions et spécificités les plus élevées concernaient les fractures linéaires et les fractures faciales. Une application basée sur l'apprentissage profond visant à détecter les résultats critiques sur la tomodensitométrie de la tête sans contraste a montré une sensibilité de 81,2 à 87,2 % et une spécificité de 77,5 à 86,1 % (en fonction de l'ensemble de données de test) pour détecter les fractures du crâne (Chilamkurthy et al., 2018). Dans la même étude, le déplacement de la ligne médiane et l'effet de masse, deux conséquences courantes de l'HIC lié à un traumatisme, ont été identifiés avec une sensibilité de 87,5 à 90,1 % et de 70,9 à 81,2 % ainsi qu'une spécificité de 83,7 à 89,4 % et de 61,6 à 73,4 % (en fonction de l'ensemble de données de test), respectivement. Un algorithme combinant l'extraction des caractéristiques morphologiques du crâne avec les CNN et qui a été entraîné sur 25 NCCT et testé sur 10 NCCT provenant de patients traumatisés crâniens avait une précision moyenne de 60 % pour la détection des fractures du crâne (Z. Kuang et al., 2020). Un autre algorithme d'apprentissage profond était sensible à 91,4 % et spécifique à 87,5 % dans l'identification des fractures du crâne dans une série de 150 TDM de la tête post-mortem (Heimer et al., 2018).
Maladies neurodégénératives
De nombreuses affections neurologiques peuvent être décrites comme neurodégénératives, mais le terme est généralement utilisé pour désigner des maladies neurologiques chroniques associées à une perte progressive du tissu cérébral et provoquant généralement une démence et/ou un dysfonctionnement moteur (Lamptey et al., 2022). Plus d'un cinquième des algorithmes basés sur l'IA certifiés CE ou approuvés par la FDA en neuroradiologie ciblent les patients atteints de démence. La plupart d'entre eux calculent automatiquement les volumes cérébraux régionaux, mesurent l'épaisseur corticale et quantifient les lésions de la substance blanche causées par une maladie des petits vaisseaux cérébraux.
De nombreux algorithmes basés sur l'IA spécifiques à une maladie ciblent la maladie d'Alzheimer (MA), qui est caractérisée pathologiquement par des plaques extracellulaires composées de β-amyloïde et d'enchevêtrements neurofibrillaires intracellulaires contenant de la protéine Tau et qui entraîne des troubles cognitifs amnésiques et non amnésiques progressifs (Knopman et al., 2021). Certains de ces algorithmes sont capables de distinguer entre la MA et les individus cognitivement normaux à l'aide de l'IRM avec des sensibilités allant de 78 à 99,1 % et des spécificités allant de 70 à 92,68 % (Battineni et al., 2022). Une approche basée sur des machines à vecteurs de support non linéaires a permis de différencier la MA des autres syndromes de démence comme la dégénérescence lobaire fronto-temporale avec une précision de 84 % (Davatzikos et al., 2008).
Des efforts ont également été déployés pour prédire la conversion de la phase prodromique de la MA en MA clinique, car on pense que c'est dans la première phase que les interventions thérapeutiques pourraient être particulièrement efficaces (Crous-Bou et al., 2017).
La déficience cognitive légère (DCL) décrit un état dans lequel les individus ont des déficits cognitifs plus sévères que ce qui est attendu pour leur âge, mais qui n'interfèrent pas de manière significative avec leurs activités quotidiennes (Petersen, 2016). Plusieurs approches basées sur l'IA ont été utilisées pour prédire la conversion de la DCL en MA avec des précisions de 66 à 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 et Duong, 2021 ; Salvatore et al., 2015 ; Spasov et al., 2019).
Un diagnostic précoce est également considéré comme important pour le traitement efficace de la maladie de Parkinson (MP) (Pagan, 2012), une autre maladie neurodégénérative courante caractérisée pathologiquement par une dégénérescence des neurones dopaminergiques de la substantia nigra. Au moment où les symptômes moteurs qui orientent vers un diagnostic clinique de MP apparaissent, on estime que plus de 60 % des neurones dopaminergiques du cerveau ont été perdus (GBD 2016 Parkinson's Disease Collaborators, 2018). Plusieurs approches d'apprentissage automatique ont été développées pour distinguer la MP des témoins sains à l'aide de caractéristiques morphologiques dérivées de l'IRM structurelle (Adeli et al., 2016 ; Chakraborty et al., 2020 ; Peng et al., 2017), de l'IRM fonctionnelle (Long et al., 2012 ; Pläschke et al., 2017 ; Tang et al., 2017), de la tomographie par émission de positons (TEP) (Piccardo et al., 2021) et de la tomographie par émission monophotonique (SPECT) (Choi et al., 2017 ; Hirschauer et al., 2015 ; Ozsahin et al., 2020), souvent en combinaison avec des scores cliniques.
Étant donné que les symptômes moteurs de la MP se chevauchent avec ceux d’autres affections neurologiques, les caractéristiques cliniques à elles seules ne suffisent souvent pas pour diagnostiquer avec confiance la MP (Rizzo et al., 2016). Distinguer la MP idiopathique des syndromes parkinsoniens atypiques tels que l'atrophie multisystémique et la paralysie supranucléaire progressive sur la base des caractéristiques cliniques est particulièrement difficile (Rizzo et al., 2016). Tirant parti du potentiel de la neuro-imagerie pour aider à faire cette distinction, une première étude a utilisé l'apprentissage automatique de vecteurs de support pour classer la MP idiopathique et d'autres causes de parkinsonisme à l'aide de l'imagerie du tenseur de diffusion avec une sensibilité de 94 % et une spécificité de 100 % (Haller et al., 2012). Plusieurs autres études ont montré une grande précision dans la distinction entre la MP idiopathique et le parkinsonisme atypique à l'aide de l'IRM structurelle (Duchesne et al., 2009 ; Focke et al., 2011 ; Huppertz et al., 2016 ; Marquand et al., 2013 ; Salvatore et al., 2014), l'imagerie pondérée en fonction de la susceptibilité (Haller et al., 2013) et une combinaison d'imagerie du tenseur de diffusion et d'IRM structurelle (Cherubini et al., 2014).
Des études ont également été réalisées à l’aide de modèles d’apprentissage automatique pour aider à orienter le traitement de la MP. Une étude portant sur 67 patients atteints de MP a révélé que les caractéristiques extraites de l'IRM fonctionnelle peuvent classer les paramètres optimaux et sous-optimaux pour la stimulation cérébrale profonde avec une précision de 88 % (Boutet et al., 2021). Cela pourrait aider à optimiser le processus actuellement long, coûteux et fastidieux des tests cliniques approfondis nécessaires pour optimiser les paramètres de stimulation cérébrale profonde chez les patients parkinsoniens.
Sclérose en plaques
La sclérose en plaques (SEP) est une maladie auto-immune courante du système nerveux central caractérisée pathologiquement par une démyélinisation inflammatoire et conduisant à un large éventail de manifestations neurologiques (McGinley et al., 2021). L'IRM joue un rôle important dans le diagnostic et la prise en charge de la SEP et constitue la technique d'imagerie de choix pour quantifier et classer les lésions de SEP dans le cerveau et la moelle épinière (Matthews et al., 2016). Les caractéristiques d'imagerie constituent un élément crucial des critères de diagnostic de la SEP (Thompson et al., 2018) et les directives recommandent d'utiliser l'IRM pour surveiller les patients et orienter le traitement (Wattjes et al., 2015). Plusieurs algorithmes basés sur l'IA ont reçu l'autorisation de la FDA et la certification CE pour la quantification de l'atrophie cérébrale et la segmentation automatisée des lésions dans la SEP (Cavedo et al., 2022 ; Qubiotech Neurocloud Vol, 2021 ; Zaki et al., 2022).
De nombreux algorithmes basés sur l'IA dans la SEP se concentrent sur l'extraction automatisée des caractéristiques d'imagerie (Afzal et al., 2022 ; Bonacchi et al., 2022 ; Eichinger et al., 2020 ; Moazami et al., 2021). L'évaluation visuelle de la présence de lésions de SEP et de leur progression dans le temps constitue une partie importante du diagnostic et de la surveillance de la SEP, mais elle prend du temps et est difficile (Danelakis et al., 2018). Au lieu de cela, plusieurs apprentissages automatiques traditionnels (Brosch et al., 2016 ; Goldberg-Zimring et al., 1998 ; Karimian et Jafari, 2015 ; Samarasekera et al., 1997 ; Schmidt et al., 2012 ; S. Zhang et al., 2018) et des approches d'apprentissage profond (Birenbaum & Greenspan, 2017 ; Deshpande et al., 2015 ; Roy et al., 2018 ; Valverde et al., 2017, 2019) pour segmenter automatiquement les lésions de SEP ont été développées. Environ 30 % de ces études utilisent des CNN et 40 % utilisent des approches d'apprentissage automatique à vecteurs de support (Afzal et al., 2022).
Les approches d'apprentissage profond ont généré des coefficients de similarité Dice (une mesure du chevauchement spatial allant de 0 à 1) de 0,52 à 0,67 par rapport aux segmentations manuelles des lésions (Afzal et al., 2022). Plusieurs approches basées sur l'IA pour quantifier automatiquement l'atrophie cérébrale, qui est un autre prédicteur d'imagerie de l'évolution de la SEP (Andravizou et al., 2019), ont également été étudiées (Dolz et al., 2018 ; Kushibar et al., 2018 ; Wachinger et al., 2018).
Des algorithmes basés sur l’IA ont également été exploités pour identifier les anomalies de l’IRM qui ne sont pas clairement visibles à l’oeil nu et ne sont pas incluses dans les critères diagnostiques actuels de la SEP. Il s'agit notamment d'anomalies des veines cérébrales et de dépôts de fer détectés à l'aide de l'imagerie pondérée par la susceptibilité (Lopatina et al., 2020) et d'anomalies dans des zones d'apparence normale de la substance blanche et grise dans des séquences d'IRM conventionnelles (Eitel et al., 2019) et avancées (Neeb & Schenk, 2019 ; Saccà et al., 2019 ; Yoo et al., 2018 ; Zurita et al., 2018).
L'exclusion des maladies avec une présentation clinique similaire est nécessaire au diagnostic de la SEP, mais s'avère parfois difficile (Wildner et al., 2020). En utilisant les caractéristiques extraites de l'IRM, les forêts aléatoires et les CNN ont permis de distinguer avec précision la SEP des troubles du spectre de la neuromyélite optique (Eshaghi et al., 2016 ; Rocca et al., 2021), les troubles non inflammatoires de la substance blanche (Mangeat et al., 2020 ; Theocharakis et al., 2009), la migraine (Rocca et al., 2021), la vascularite du système nerveux central (Rocca et al., 2021) et les tumeurs cérébrales (Ekşi et al., 2021).
La SEP est divisée en plusieurs phénotypes cliniques qui ont des pronostics différents et des stratégies de traitement optimales (Lublin et al., 2014). À l'aide de l'IRM du tenseur de diffusion (Kocevar et al., 2016 ; Marzullo et al., 2019), de la spectroscopie par résonance magnétique (EkŞİ et al., 2020 ; Ion- Mărgineanu et al., 2017) et des mesures d'atrophie basées sur l'IRM (Bonacchi et al., 2020), plusieurs études ont étudié le potentiel des approches basées sur l'IA conçues pour distinguer les différents phénotypes cliniques de la SEP.
Le traitement de la SEP est personnalisé en fonction de marqueurs pronostiques cliniques, démographiques, de laboratoire et d'imagerie (Rotstein et Montalban, 2019). Plusieurs algorithmes basés sur l'IA ont été évalués pour leur capacité à prédire la conversion du premier épisode clinique évocateur d'une maladie inflammatoire chronique du SNC, connue sous le nom de « syndrome cliniquement isolé », à la SEP définie à l'aide des caractéristiques de l'IRM avec des sensibilités de 64 à 77 % et spécificités de 66 à 78 % (Bendfeldt et al., 2019 ; Wottschel et al., 2015, 2019). Des algorithmes basés sur l'IA combinant des données cliniques et IRM ont également été conçus pour prédire l'évolution de la maladie et le handicap clinique (Filippi et al., 2013 ; Roca et al., 2020 ; Tommasin et al., 2021 ; Zhao et al., 2017, 2020). À l'aide de machines à vecteurs de support et d'arbres extrêmement randomisés, une étude a révélé qu'une « empreinte digitale » d'imagerie de grande dimension dérivée d'images pondérées en T1 et de FLAIR était plus efficace pour prédire la réponse au traitement de la SEP que les mesures de la réponse au traitement dérivées de l'IRM conventionnelle, telles que le volume cérébral et le nombre et le volume des lésions (ASC 0,89 vs. 0,69) (Kanber et al., 2019).
De plus, les algorithmes basés sur l’IA ont montré leur potentiel pour faciliter les protocoles d’IRM utilisés dans la SEP. Cela inclut l’extraction d’informations à partir de séquences IRM conventionnelles, la génération de séquences synthétiques à partir d’images acquises, par exemple des images avec contraste amélioré provenant d’une IRM non améliorée (Bonacchi et al., 2022).
Neuro-oncologie
Les tumeurs cérébrales comprennent à la fois les tumeurs primitives du cerveau (qui peuvent être bénignes ou malignes) et les tumeurs métastatiques provenant d'autres parties du corps. Il est important de faire la distinction entre les tumeurs cérébrales et d’autres affections en imagerie pour éviter les biopsies inutiles et guider la prise en charge (Abd- Ellah et al., 2019). En extrayant les caractéristiques des IRM pondérées en T1 et T2, un classificateur basé sur la régression a atteint une ASC allant jusqu'à 0,99 pour distinguer les gliomes sans rehaussement et les lésions cérébrales inflammatoires (Y. Han et al., 2021). Des approches basées sur l'IA ont également été conçues pour prédire les grades histopathologiques des gliomes sur la base de l'IRM, atteignant une précision moyenne de 89 % ± 0,09 %, rapportée dans une revue systématique de la littérature (Bahar et al., 2022). De plus, un classificateur de forêts aléatoires utilisant les caractéristiques de l’IRM multiparamétrique a mieux réussi que deux radiologues expérimentés à identifier la tumeur primaire en cas de métastases cérébrales (Kniep et al., 2019).
L’un des cas d’utilisation les plus prometteurs de l’IA en imagerie neuro-oncologique concerne l’utilisation de l’IRM pour identifier les mutations génétiques associées aux tumeurs. Ce domaine, connu sous le nom de radiogénomique, est important car des tumeurs histopathologiquement similaires avec des mutations différentes répondent différemment à des stratégies de traitement spécifiques (Singh et al., 2021). La radiogénomique consiste à extraire des caractéristiques de plusieurs séquences d’IRM (séquences anatomiques ainsi que séquences pondérées en diffusion et de perfusion) et à utiliser ces caractéristiques pour prédire les altérations génomiques de la tumeur. Plusieurs approches utilisant des arbres de décision et des forêts aléatoires ont été conçues pour prédire à la fois des mutations génétiques uniques ainsi que des ensembles plus complexes d'altérations génomiques dans les tumeurs cérébrales (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).
L'imagerie joue également un rôle important dans l'évaluation de la réponse des tumeurs cérébrales à des traitements tels que la radiothérapie, l'immunothérapie, la chimiothérapie et la chirurgie. Cela nécessite une expertise importante, en particulier parce que les caractéristiques d'imagerie de la réponse et de la récidive se chevauchent avec d'autres changements liés au traitement, tels que la pseudoprogression, qui est une augmentation transitoire de la prise de contraste et/ou de l'oedème péritumoral après une radiothérapie et une chimiothérapie (Raimbault et al., 2014 ; Thust et al., 2018).
Dans le glioblastome, la tumeur cérébrale primitive maligne la plus courante chez l'adulte, l'évaluation de la réponse au traitement consiste à mesurer manuellement le volume de tissu tumoral qui absorbe l'agent de contraste (Leao et al., 2020). Une segmentation automatisée précise du tissu tumoral cérébral a été obtenue à l'aide de l'apprentissage automatique de vecteurs de support, de forêts aléatoires et de CNN (Havaei et al., 2017 ; Kickingereder et al., 2019 ; Menze et al., 2015), avec certaines applications certifiées CE disponibles (BioMind, n.d.). Une méta-analyse a révélé que l’apprentissage profond surpasse les approches traditionnelles d’apprentissage automatique pour la segmentation des tumeurs (Kouli et al., 2022). Dans une vaste étude multicentrique portant sur des données cliniques, la volumétrie automatisée des tumeurs à l'aide de CNN a montré une supériorité suggérée par rapport à la volumétrie manuelle dans le calcul du délai de progression de la maladie (Kickingereder et al., 2019).
Les approches utilisant la classification basée sur la régression et les CNN ont montré des résultats permettant de distinguer la pseudo-progression de la véritable progression des tumeurs cérébrales en IRM (Jang et al., 2018, 2020 ; J. Y. Kim et al., 2019). Les CNN se sont également révélés prometteurs pour différencier la nécrose radiologique de la progression tumorale, atteignant une sensibilité de 99,4 % et une spécificité de 97,5 % (Q. Zhang et al., 2019). Les marges des tumeurs cérébrales et leur infiltration des tissus environnants peuvent être très difficiles à distinguer de l'oedème péritumoral. Les classificateurs basés sur la régression, les classificateurs d'apprentissage automatique à vecteurs de support et les SNC ont produit des cartes précises de l'infiltration péritumorale qui peuvent s'avérer utiles pour la planification chirurgicale (Akbari et al., 2016 ; P. D. Chang, Chow, et al., 2017 ; P. D. Chang, Malone, et al., 2017).
Il y a eu un intérêt pour les approches basées sur l’IA conçues pour améliorer l’IRM et aider les radiologues à diagnostiquer les tumeurs cérébrales. Certaines cibles de ces approches basées sur l'IA comprennent les algorithmes de reconstruction d'images basés sur les CNN qui améliorent la résolution spatiale et réduisent le bruit, permettant ainsi de visualiser des structures anatomiques et des composants tumoraux plus petits. De telles approches ont montré des résultats pour détecter les microadénomes hypophysaires, identifier les tumeurs résiduelles ou récurrentes après traitement et caractériser l'invasion tumorale (M. Kim et al., 2021 ; D. H. Lee et al., 2021). De plus, les images avec contraste amélioré synthétisées à partir d'images sans contraste à l'aide de réseaux contradictoires génératifs (GAN) se sont révélées utiles pour évaluer la réponse au traitement du glioblastome et peuvent aider à réduire l'utilisation d'agents de contraste IRM (Jayachandran Preetha et al., 2021).
Conclusion
En l’espace d’une décennie environ, la recherche sur les applications de l’IA en neuroradiologie a réalisé des progrès remarquables. L’IA s’est révélée particulièrement utile pour faciliter le diagnostic de pathologies telles que les accidents vasculaires cérébraux et les hémorragies intracrâniennes, pour lesquelles une détection rapide est cruciale. Il existe également de plus en plus de preuves selon lesquelles l’IA pourrait être utilisée pour surveiller la progression de troubles neurologiques, prédire les résultats et, à terme, permettre des stratégies de traitement plus personnalisées et plus efficaces. La recherche sur les algorithmes basés sur l’IA devrait être complétée à l’avenir par l’analyse du rapport coût-efficacité de ces applications et par la mesure de l’effet de leur mise en oeuvre sur les résultats globaux pour les patients. En outre, ces applications devraient être étayées par davantage de données publiées sur leurs performances afin d’encourager leur utilisation. Dans l’ensemble, l’utilisation de l’IA en neuroradiologie est très prometteuse pour améliorer la qualité des soins aux patients.
Références
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
