＜正＞脑卒中发病率高、致残率高、病死率高，是全球人口死亡第二位原因，致残的第三位原因。急性缺血性脑卒中是脑卒中最常见的类型，占60%～70%，全球年发病人数高达1200万，我国发病率居世界首位，年发病人数达383万[1-2]。近年来，人工智能快速发展，基于不同的模式识别算法，利用大数据进行监督学习或非监督学习，有助于急性缺血性脑卒中早期缺血改变识别、责任血管定位、梗死和缺血定量及发病时间预测。本研究对人工智能在急性缺血性脑卒中影像的研究进展进行综述。1人工智能常用算法人工智能学习方法种类繁多，其中在医学领域最常用的是机器学习和深度学习。机器学习是应用算法来解析、学习数据，对真实世界中的事件做出决策和预测，其特点在于需要利用大量的数据来训练模型。机器学习传统的算法包括支持向量机、决策树、线性回归、逻辑回归、神经网络等。随着算法的进步及计算机硬件设备的优化，2006年提出的深度学习算法可以建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据，其特点在于试图模仿大脑神经元之间传递，处理信息的模式。神经网络是深度学习主要的算法和手段，核心思想是模拟人的神经元，每个神经元接受到信息，处理完后传递给与之相邻的所有神经元，从而构成神经网络，常见形式为人工神经网络，其中以卷积神经网络（convolutional neural networks,CNN）应用最广泛[3]。