PENGANTAR

Stroke adalah penyebab utama kematian dan kecacatan di seluruh dunia, dengan
risiko seumur hidup global sekitar 25%. Terapi reperfusi, seperti aktivator plasminogen
jaringan intravena dan trombektomi, merupakan satu-satunya pengobatan yang efektif untuk
membalikkan perubahan iskemik. Waktu pada awalnya dianggap sebagai faktor kunci
tunggal dalam triase pengobatan stroke akut. Baru-baru ini, uji klinis, seperti Evaluasi
Pencitraan Difusi dan Perfusi untuk Memahami Studi Evolusi Stroke (DEFUSE) dan
Memperpanjang Waktu untuk Trombolisis dalam percobaan Defisit Neurologis Darurat
(EXTEND), telah menunjukkan nilai mengidentifikasi jaringan yang layak berdasarkan
kriteria pencitraan. Oleh karena itu, memahami bagaimana pencitraan dasar dapat
menunjukkan nasib jaringan penting untuk triase pasien stroke yang tepat.

Saat ini, pemilihan pasien untuk terapi endovaskular umumnya dilakukan dengan
menggunakan paradigma ketidakcocokan difusi-perfusi pada pencitraan yang diperoleh pada
presentasi awal (pencitraan dasar). Proses ini mendefinisikan 2 kelas jaringan: inti iskemik,
yang dianggap rusak secara permanen, divisualisasikan pada diffusion-weighted imaging
(DWI) dan diukur menggunakan apparent diffusion coefficient (ADC)); dan penumbra, yang
merupakan wilayah yang berisiko infark tanpa adanya reperfusi cepat, divisualisasikan pada
perfusion-weighted imaging (PWI) dan diukur menggunakan parameter waktu perfusi hingga
maksimum fungsi residu (Tmax). Uji klinis menggunakan nilai ambang batas sederhana dari
parameter pencitraan ini telah mengidentifikasi ambang batas untuk ADC (<620 × 10ÿ6 mm2
/s) dan Tmax (>6 detik), dan ini telah dimasukkan ke dalam paket perangkat lunak yang
tersedia secara klinis.8 Meskipun kesederhanaan ambang nilai tunggal untuk memprediksi
hasil jaringan, pendekatan tersebut dapat gagal untuk menangkap kompleksitas stroke
iskemik akut. Meskipun kemajuan telah dibuat untuk mengotomatisasi segmentasi yang
dihasilkan oleh program perangkat lunak ini, seringkali masih memerlukan interpretasi
manusia dan pengeditan manual untuk menghilangkan sinyal nonfisiologis, seperti lesi
periventrikular dan kontralateral.

Pembelajaran mesin adalah kelas algoritma komputer yang dapat secara otomatis
belajar dari data tanpa pemrograman eksplisit. Beberapa studi awal telah menunjukkan bahwa
pembelajaran mesin dapat digunakan untuk memprediksi lesi stroke. Jaringan saraf
convolutional adalah subtipe pembelajaran mesin yang tidak mengharuskan manusia untuk
mendefinisikan fitur yang relevan tetapi mempelajarinya dari data dalam set pelatihan.
Sebagian besar jaringan saraf convolutional menggunakan banyak lapisan tersembunyi (maka
istilah pembelajaran mendalam) untuk pemrosesan nonlinier dan ekstraksi fitur penting.
Pembelajaran mendalam telah menunjukkan hasil yang mengesankan pada berbagai tugas
visi komputer, dan ini mulai berhasil diterapkan untuk medis data pencitraan. Salah satu jenis
arsitektur jaringan saraf convolutional dalam yang dikenal sebagai U-net telah menunjukkan
banyak janji untuk tugas segmentasi dalam pencitraan medis, karena efisiensi komputasi yang
tinggi, sensitivitas, dan akurasi untuk tugas segmentasi gambar

Dalam penelitian ini, kami menggunakan U-net untuk memprediksi lesi infark akhir
pada pasien dengan stroke iskemik akut, dengan gambar resonansi magnetik awal (MRI)
yang berfungsi sebagai masukan untuk model. Meskipun premis dari ketidakcocokan difusi-
perfusi adalah semua atau tidak ada reperfusi, pasien tersebut hanya merupakan subkelompok
kecil dari semua pasien yang menjalani terapi reperfusi. Ini sangat membatasi jumlah kasus
yang tersedia untuk pelatihan. Dalam penelitian ini, kami melatih model dengan semua kasus
stroke yang tersedia dan melaporkan kinerjanya terlepas dari status reperfusi. Kami melihat
proses ini
sebagai langkah pertama untuk menghasilkan prediksi umum dan individual untuk pasien
dengan stroke iskemik akut dan langkah sementara yang penting untuk bergerak menuju
model yang juga akan menggabungkan informasi klinis.