ARTIFICIAL INTELLIGENCE

DAN PENCITRAAN STROKE

AKUT
PRESENTER : Fahroni Erlianur
PEMBIMBING : dr. Nurhuda Hendra Setyawan, Sp.Rad, M.Sc

1
DAFTAR SINGKATAN
• AI = artificial intelligence
• ANN = artificial neural network
• AUC = area under the curve
• CNN = convolutional neural
network; DL = deep learning
• ICC = intraclass correlation
coefficient
• ICH = intracranial hemorrhage
• LVO= large vessel occlusion
• ML = machine learning
• MRP = MR perfusion
• RF = random forest
• SVM = support vector machine
2
 PENDAHULUAN
Stroke adalah penyebab kematian terbanyak kedua di dunia, yaitu 5.5 juta jiwa per tahun.
Di Amerikat Serikat: ± 800.000 orang terkena stroke tiap tahunnya, dan kerugian ekonomi
sebesar $34 miliar per tahun.
Morbiditas tinggi dan lebih dari setengah penderita stroke mengalami disabilitas kronis.

Neuroimaging merupakan aspek penting dalam upaya deteksi, kategorisasi, dan

penentuan prognosis pada stroke akut, baik stroke iskemik maupun hemoragik.

Aplikasi Artificial Interlligence untuk gambaran pencitraan penyakit cerebrovascular acute

(CVA) sudah diterapkan, sebagai alat untuk triase, kuantifikasi, surveilans, dan prediksi yang
cepat dan efisien.
3
TUJUAN

Untuk merangkum aplikasi Artificial Interlligence pada

diagnosis penyakit CVA yang berfokus pada metode deep
learning

4
ARTIFICIAL INTELLIGENCE (AI) ), MACHINE
LEARNING (ML), DAN DEEP LEARNING (DL)
ARTIFICIAL INTELLIGENCE (AI)
Komputer menyelesaikan MACHINE LEARNING (ML)
tugas dengan cara meniru Algoritme yang membuat komputer DEEP LEARNING (DL)
kebiasaan manusia. belajar dari sebuah contoh tanpa
Secara biologis terinspirasi dari
adanya pemrograman
jaringan saraf yang tidak
membutuhkan input
(Contoh: Random forest, support
predeterminasi
vector machine, dkk)
Contoh: Artificial Neural
Network, Convolutional Neural
Network,dkk
5
PEMILIHAN FITUR

• Algoritma ML diterapkan dengan menggunakan beberapa matriks voxel.

• Metode pemilihan fitur yang berbeda dapat mengidentifikasi bagian dari
variabel untuk mengembangkan model prediktif.
• Pemilihan fitur yang relevan sangat penting terkait dengan kemampuan
menjelasan, kecepatan, efisiensi biaya, dan menghindari overfitting.

6
 PENGGOLONGAN TIPE

Sebuah metode Random forest (RF),

dipilih (logistik support vector
Setiap gambar Memprediksi satu
dasar atau regresi machine (SVM), k-
diubah menjadi dari beberapa
linear efektif atau nearest neighbor
bentuk numerik kategori potensial
yang lebih clustering, dan
kompleks) neural networks

7
DEEP LEARNING (DL)

Artificial
neural • Meniru neuron biologis dari sebuah input, yang dapat terdiri dari satu atau beberapa lapisan tersembunyi,
dan output
networks
(ANN)
Convolutional • Paling sukses dan terkenal dalam pencitraan medis
• > 1 juta foto dalam 1000 kategori objek, dengan tingkat kesalahan klasifikasi sebesar 3,6%
neural • Mengidentifikasi pola pada kumpulan data pencitraan yang kompleks, menggabungkan pemilihan fitur
dan klasifikasi dalam satu algoritma, dan menghilangkan kebutuhan terhadap interaksi manusia secara
networks langsung selama proses pelatihan
• Mendekati akurasi manusia dalam mendeteksi obyek setiap hari

(CNN) • Menjanjikan dalam deteksi nodul pulmonalis, kanker kolon, dan perdarahan mikro serebral

8
 EVALUASI KINERJA AI

Sensitivitas (recall) : TP/(TP + EN)

Spesifisitas (true-negative rate) : TN/(TN + FP)
Klasifikasi
Akuraasi:jumlah prediksi benar / prediksi total
Kinerja AUC: sensitifitas per spesifisitas
Metrik

Koefisien dice similarity: tumpang tindih 2 sampel

Segmentasi
Koefisien korelasi pearson: kekuatan hubungan linear antara 2 variabel

Kebutuhan dataset luas: kolaborasi multisite, datasets open-source

Kekurangan
Kemampuan interpretasi data: arti penting sebuah peta
dan solusi
Overfitting: lebih banyak data, regularisasi, dan normalisasi
9
 KETEPATAN

P value • Refleksi dari ukuran sampel sebuah penelitan, signifikansi klinis

Memprediksi • Sensitivitas, spesifisitas, dan akurasi fitur

output
• Area under the curve (AUC)
Klasifikasi • Merepresentasikan pengukuran agregat melalui kinerja semua ambang batas klasifikasi

• Koefisien persamaan Dice: tumpang tindih spasial antara segmentasi manual dan jaringan saraf
Analisis segmentasi turunan
• Skor : 0 (tanpa tumpang tindih) sampai 1 (tumpang tindih sempurna) 10
segmentasi • Koefisien korelasi Pearson
KETERBATASAN

Butuh set data yang

Tantangan
besar, terorganisir, Overfitting terutama
kemampuan
terklasifikasi, dan pada ML
interpretasi dalam DL
akurat

Perbedaan dalam
mengakuisisi foto,
penyimpanan data,
kesulitan dalam
membagikan data 11
DATASET OPEN-SOURCE PADA STROKE
Dataset Penyakit Data Annotasi Jumlah Scan Teknik Pencitraan
Serebrovaskular
Anatomical Tracings Stroke iskemik kronik Lesi stroke tersegmetasi 304 TI-weighted MRI
Lesion After Stroke atau subakut manual
(ATLAS)
CQ500 Perdarahan Perdarahan, subtipe, 491 CT
lokasi dan temuan
terkait perdarahan
RSNA Brain Perdarahan Perdarahan, subtipe 874,035 CT
Hemorrhafe CT
Dataset
Ischemic Stroke Lesion Stroke Iskemia Perfusi dan difusi MRI 35 pelatihan dan 19 MRI, MRP
Sementation (ISLES) asien dengan stroke dan percobaan (2016)
2016-2017 outcome klinis 43 pelatihan dan 32
percobaan (2017)
ISLES 2018 Stroke Iskemia CT dan perfusi pasien 94 gambar berlabel CT, CTP
dengan stroke training dan 62 gambar
percobaan tidak berlabel
12
KETERSEDIAAN PLATFORM SOFTWARE
KOMERSIAL

13

HDVS MENGINDIKASIKAN TANDA PEMBULUH DARAH HIPERATENUASI

TAMPILAN SELULER TRIASE STROKE AIDOC

Dari kiri ke kanan, tanda pemberitahuan, daftar studi kasus, NCCT dari stroke akut, CTA dari
LVO MCA kanan, waktu transit rerata CTP pada ara MCA kanan, sistem pesan teks.

14
ASPECTS BERBASIS DL AVICENNA

AI menunjukkan identifikasi ASPECTS dan heat map overlay (putih).

15
E-CTA BRAINOMIX

Identifikasi dan lokalisasi LVO dari MCA kanan, skor kolateral dan atenuasi pembuluh kolateral, dan
heat map defisit kolateral (orange).
16
TRIASE STROKE ATAU TRANSFER TAMPILAN SELULER
RAPIDAI YANG MENGINTEGRASIKAN MODEL HUB DAN
SPOKE

Dari kiri ke kanan, skoring ICH dan ASPECTS dan peringatan pada NCCT, deteksi LVO pada CTA,
ketidakcocokan perfusi pada MRI atau CTP dengan indikasi trombektomi mekanis FDA, dan platform komunikasi
seluler dengan sistem notifikasi "GO" untuk pengambilan keputusan perawatan yang cepat. Gambar milik RapidAI.
17
TAMPILAN SELULER VIZ.AI

Infark di area MCA kiri dengan

ketidakcocokan pada CTP

18
EVALUASI AI PADA STROKE
ISKEMIK

19
METODE DETEKSI

• Deteksi cepat stroke iskemik sangat penting untuk triase pasien dengan indikasi trombolisis karena sempitnya
efikasi jendela terapi.
• Beberapa studi telah menggunakan algoritma ML untuk identifikasi iskemik infark pada CT atau MRI.
• Studi lain menunjukkan bahwa ANN mampu membedakan stroke akut dan stroke mimik dalam onset 4,5 jam
(sudah diverifikasi secara klinis dan data CT dan MRI), dengan sensitifitas rerata 80,0% dan spesifisitas 86,2%
• Tang dkk mengembangkan skema computer-automated detection (CAD) menggunakan metode Circular
Adaptive Region of Interest (CAROI) pada CT Scan kepala tanpa kontras untuk deteksi perubahan minimal
pasien stroke iskemik
• CAD meningkatkan deteksi stroke bagi dokter IGD (AUC 0,879 meningkat menjadi 0,942) dan residen radiologi (AUC 0,965
meningkat menjadi 0,990)
• Tidak signifikan pada ahli radiologi berpengalaman yang sudah sering mendeteksi kasus stroke
20
 SEGMENTASI VOLUME INFARK
Menetapkan luas infark Studi mengunakan
penting untuk ensemble 2 CNN untuk
menentukan traiase mengelompokkan lesi
pasien dalam penanganan DWI dari berbagai
yang tepat ukuran dan
• Menggunakan: AI pada DWI menghilangkan
melalui segmentasi lesi gambaran positif palsu
otomatis • CNN memiliki skor DICE 0,61
untuk lesi kecil (ukuran <37
pixel) dan 0,83 untuk lesi luas
Guerrero: CNN
(uResNet) yang
membedakan WMH yang
disebabkan karena
penyakit pembuluh darah
kecil kronis dari strok
kortikal maupun
subkortikal
• Rerata skor Dice uResNet CNN
yaitu 0,7 untuk WMH dan 0,4
untuk stroke
• uResNet > DeepMedic CNN
dalam membedakan WMH dan
stroke (Nilai R2 0,951 dan
0,791 uResNet dan 0,942 dan
0,688 menggunakan
DeepMedic)
DL pada pencitraan CTA
untuk mendeteksi stroke
iskemik arteri serebral
medial akut, 3D CNN Adanya perbedaan nilai
(DeepMedic) volume dikaitkan dengan
• Sensitifitas 0,93 temuan stroke iskemik
• Spesifisitas 0,082 awal yang tidak
• AUC 0,93 terdeteksi, rerata volume
• Skor Dice 0,61 parsial, dan temuan
menyerupai stroke pada
CT
21
LARGE VESSEL OCCLUSION (LVO)

• Diagnosis LVO menjadi dasar mengidentifikasi pasien dengan indikasi dan potensi manfaat dari
trombektomi mekanik.
• Pada NCCT, algoritma SVM mendeteksi MCA dot sign pada pasien dengan stroke akut dengan
sensitivitas tinggi (97,5%).
• Software komersial berbasis CNN, Viz-AI-Algoritma v3.04, mendeteksi LVO proksimal dengan
akurasi mencapai 86%, sensitivitas 90,1%, spesifisitas 82,5, AUC 86,3%.95% CI, 0,83-0,90; P .001)
dan interclass correlation coefficient (ICC) 84,1% (95% CI, 0,81 - 0,86; P.001), dan Viz-AI-
Algoritma v4.1.2 mampu mendeteksi LVO dengan sensitivitas dan spesifisitas tinggi (82% dan 94%
secara berturut-turut).
• Belum ada studi yang menujukkan apakah metode AI scara akurat mengidentifikasi lesi yang
berpotensi dapat diterapi seperti M2, intrakanial ICA, dan oklusi sirkulasi posterior 22
GRADING ASPECTS

• Untuk diagnosis stroke iskemik awal pada NCCT dan pada randomized clinical trials untuk memilih calon kandidat trombektomi.

• Tantangan: kesepakatan antar peneliti bervariasi.

• e-ASPECTS, Brainomix:
• Bekerja baik seperti para ahli-neroradiologis saat menilai skoring ASPECTS pada NCCT pada pasien degan stroke akut (P < 0.003)
• Kekurangan pada stroke akut dengan adanya kelainan gambaran CT-scan sebelumnya (contoh: leukoensefalopati, infark lama, atau defek parenkim
lainnya), menujukkan koefisien korelasi 0,59, sedangkan 0,71-0,80 untuk para ahli

• Rapid ASPECTS, versi 4.9; iSchemaView:

• Skor ASPECTS konsensus yang memperhitungkan tindak lanjut DWI (k = 0,9) dibandingkan dengan kesepakatan ahli neuroradiologis (K = 0,56 -
0,57)
• Kinerja yang baik pada jangka waktu 1 jam setelah onset stroke (k = 0,78) dan bahkan lebih baik pada 4 jam setelah onset stroke (K = 0,92)
• Volume infark DWI pada pasien dengan infark hemisfer luas dibandingkan dengan pembaca yang berpengalaman (ASPECTS DWI median, 3 (IQR,
2-4]; Rapid ASPECTS, 3 [1-6]; and CT ASPECTS bagi klinisi, 5 [4-7].

23
 FAKTOR TAMBAHAN PADA PEMILIHAN
TERAPI
Penting • Vaskularisasi kolateral, penumbra dan waktu onset stroke

e-CTA; • Teknik ML deep dan tradisional untuk status CTA kolateral meningkatkan skoring konsensus diantara para ahli neuroradiologi VS inspeksi visual saja, dengan
ICC 0,58 (0,46 - 0,67) menjadi 0,77 (0,66 - 0,85; P = 0,003)
• Prediksi penumbra pada MRI tanpa kontras teknik pelabelan putaran arteri pseudokontinu menggunakan model DL bekerja dengan baik (AUC = 0,958)

Barinomix • Mengungguli algoritma ML tradisional dan mendeteksi kelayakan endovaskular berdasarkan kriteria percobaan DEFUSE 3 (Endovascular Therapy Following
Imaging Evaluation for Ischemic Stroke)

• Mengevaluasi berbagai model ML tradisional dalam deteksi waktu onset stroke, menunjukkan bahwa gabungan DL dengan model
Studi lain AUC dibandingkan dengan aslinya (ketidakcookan DWI-FLAIR)
• AUC optimal 0,765 menggabungkan regresi logistik dan DL MRI dan gambaran MR perfusion (MRP)

• Menggunakan ketidakcocokan DWI-FLAIR untuk mendeteksi waktu onset stroke <4.5 jam
Lee dkk., • model ML tradisional lebih sensitif dibandingkan dengan ahli saraf di bidang stroke (sensitifitas = 48,5% untuk ahli saraf dibidang
stroke vs 75,8% untuk regresi logistik; P = 0.020; 72,7% untuk SVM, P = .033; 75,8% untuk RS, P = 0.013)
24
PROGNOSIS
• Studi ML klasik awal: model linear umum yang digabungkan dengan DWI dan MRI perfusion-weighted image (PWI) lebih
baik dibandingkan dengan DWI (P = 0.02) atau PWI (P = 0.04) dalam prediksi hasil jaringan voxelwise.

• Patch sampling berbasis CNN Tmax pada MRP mengungguli model tunggal regresi berbasis voxel dalam memprediksi
volume infark, dengan rerata akurasi 85,3  9,1% dibandingkan dengan 78,3  5,5% secara berturut-turut.

• CNN lainnya lebih baik dibandingkan dengan metode ML dalam memprediksi volume infark dengan mengganbungkan
MRI DWI, MRP dan data FLAIR, dengan AUC 0,88  0,12.

• CNN dapat memprediksi jaringan berdasarkan pemberian intravena aktivator tissue plasminogen, menunjukkan perbedaan
signifikan pada volume luas infark (P = 0.048).

• CNN berbasis gambar MRP mampu mendeteksi luas infark dengan AUC 0,871  0,024.
• Studi multisenter menunjukkan bahwa algoritma U-net DL dengan input DWI dan MRP dapat memprediksi luas infark
terlepas dari status reperfusi dengan median AUC 0,92 (IQR, 0,87 - 0,96) dan tumpang tindih yang signifikan dari urutan
FLAIR yang diperoleh 3-7 hari setelah presentasi baseline (Dice Scroe 0,52; IQR, 0,31 - 0,68)
25
PROGNOSIS
• Software e-ASPECTS mampu mendeteksi hasil akhir klinis yang buruk setelah
trombektomi (korelasi spearman = -0,15; P = 0,027) dan prediktor independen dari
outcome yang rendah pada analisis multivariat (OR, 0,79; 95% CI, 0,63-0,99) namun
juga menunjukkan konsensus yang baik dengan 3 ahli ASPECTS (ICC = 0,72; 0,74 dan
0,76).
• Teknik ML tradisional yang digabungkan dengan data klinis dan rasio ketidaksesuaian
pusat-penumbra dari MRI dan MRP untuk menilai hasil akhir klinis post
trombolisis yang dilakukan dengan AUC 0,863 (95% CI, 0,774 - 0,951) untuk hasil akhir
jangka pendek (hari ketujuh) dan 0,778 (95% CI, 0,668 - 0,888) pada hasil akhir jangka
panjang (hari ke-90).
26
PROGNOSIS
• Algoritme keputusan tree-based termasuk mesin extreme gradient boosting dan gradient boosting dapat mendeteksi 90
hari modified Ranking scale (mRS) > 2 menggunakan pencitraaan dan data klinis dengan AUC 0,746 (extreme gradient
boosting) dan 0,748 (gradient boosting machine), dan kinerja meningkat ketika menggabungkan NIHSS pada 24 jam dan
keluaran rekanalisasi.

• Teknik ML, termasuk regresi logistik reguler, SVM linear dan RF, mengungguli metode skoring pre terapi yang
sudah ada dalam mendeteksi hasil akhir klinis yang baik (mRS  2 at 90 hari) pada pasien dengan LVO yang akan
menjalani trombektomi, dengan AUC 0,85 - 0,86 pada model ML dibandingkan dengan skor sebelum terapi 0,71 - 0,77.

• Kombinasi pendekatan CNN dan ANN yang menggabungkan data klinis dan NCCT memprediksi hasil keluaran
trombolisis fungsional dengan akurasi 0,71 untuk peningkatan NIHSS  4 dan akurasi 0,74 selama 90 hari mRS dari 0-1.

• Teknik ML tradisional dan jaringan saraf digunakan untuk mendeteksi perubahan perdarahan dari stroke iskemik
akut sebelum terapi dari gambaran MRP dan DWI, dengan AUC tertinggi 0,837  2,6% menggunakan teknk ML
regresi spektral kernel.

27
EVALUASI AI PADA STROKE
PERDARAHAN
METODE DL UNTUK MENDETEKSI DAN MENGKLASIFIKASI, PENILAIAN, DAN
MENENTUKAN PROGNOSIS ICH

28
 DETEKSI DAN KLASIFIKASI
Studi
1 Menggunakan dua jaringan saraf
convolutional 2D, GoogLeNet dan AlexNet,
untuk mendeteksi perdarahan ganglia basal
di NCCT
2 Deteksi dan klasifikasi ICH melibatkan lebih
dari 30,000 NCCT dari berbagai rumah sakit
di India pengguna algoritma DL
Hasil
GoogLeNet paling akurat (AUC 1.0; sensitivitas
dan spesifisitas 100 %) dibandingkan dengan
AlexNet (AUC 0,95; sensitivitas 100%; dan
spesifisitas 80%)
Deteksi ICH: Qure25k (AUC 0,92 (95 % CI,
0,91-0,93)) dan CQ500 (0,94 (CI, 0,92-0,97))
Mengklasifikasikan subtipe perdarahan
(parenkim, intraventrikular, subdural,
ekstradural/epidural, dan subarachnoid):
Qure25K (AUC 0,90 - 0,96) dan CQ500 (AUC
0,93 - 0,97)
29
 DETEKSI DAN KLASIFIKASI
Studi
3 Menggunakan CNN 3D dengan sebagian besar
sample pasien kohort dideteksi ICH
4 Pra ujicoba sistem jaringan saraf convolutional 2D
→ menggabungkan teknik attention map dan modul
berbasis prediksi untuk membantu mengurangi "black
box" dari sistem DL.
Hasil
AUC 0,846 (95% CI, 0,837-0,856), spesifisitas 0,80
(0,790-0,809), dan sensitivitas 0,73 (0,713-0,748)
Waktu untuk mendeteksi berkurang dari 512
menjadi 19 menit.
Mendeteksi ICH pada data retrospektif dari 200
kasus (AUC 0.99; sensitivitas 98%; dan spesifisitas
95%) & dataset prospektif dari 196 kasus (AUC
0.96 ; sensitivitas 92%, dan spesifisitas 95%).
Akurasi lokalisasi attention map 78,1%
dibandingkan dengan titik/pusat perdarahan yang
dijelaskan oleh ahli neuroradiologi.
30
PERHITUNGAN

• Custom DL-trained hybrid 3D-2D CNN mampu mendeteksi dan mengukur ICH pada NCCT dalam
percobaan kohort retrospektif (akurasi 0,975; AUC 0,983; sensitivitas 0,971; spesifisitas 0,975; nilai
prediksi positif 0,793; nilai prediksi negatif 0,997) dan kohort prospektif (akurasi 0,970; AUC 0,981;
sensitivitas 0,951; spesifisitas 0,973; nilai prediksi positif 0,829; nilai prediksi negatif 0,993) dari
emergensi.
• Untuk kuantifikasi ICH, skor Dice adalah 0,931, 0,863, dan 0,772, dan koefisien korelasi Pearson
masing-masing adalah 0,999, 0,987, dan 0,953 untuk ICH, perdarahan epidural atau subdural, dan
SAH, dibandingkan dengan segmentasi semiotomatis oleh ahli radiologi.
• Studi ini menggunakan pengujian prospektif langsung dari algoritme dan volume perdarahan terukur
selama segmentasi.
• Studi ini juga membahas the black box critique dengan penggunaan custom mask ROI-based CNN. 31
PROGNOSIS

• Mengidentifikasi pasien yang berisiko perluasan ICH penting untuk

menentukan prognosis.
• Satu studi menunjukkan kinerja yang baik ketika menerapkan SVM yang
menggabungkan berbagai variabel klinis dan pencitraan untuk memprediksi
perluasan hematoma pada NCCT (AUC= 0,89; sensitivitas rata-rata= 81,3%;
dan spesifisitas rata-rata= 84,8%).
• Kecepatan dan ketepatan identifikasi ICH dengan metode AI dapat
membantu dengan triase studi positif. 32
KESIMPULAN

• Penerapan AI dalam stroke akut memungkinkan peluang besar untuk

meningkatkan pemilihan pengobatan dan hasil klinis dengan
menambahkan pada seluruh jalur diagnostik dan pengobatan, yaitu
deteksi, triase, dan prediksi hasil akhir.
• Studi selanjutnya yang memvalidasi teknik AI diperlukan untuk
memungkinkan penggunaan yang lebih luas.

33
TERIMA KASIH & MOHON
ASUPAN

34