Multiclass Support Vector Machine-Based Lesion Mapping Predicts Functional Outcome in Ischemic Stroke Patients
Notice bibliographique
Résumé
PURPOSE: The aim of this study was to investigate if ischemic stroke final infarction volume and location can be used to predict the associated functional outcome using a multi-class support vector machine (SVM). MATERIAL AND METHODS: Sixty-eight follow-up MR FLAIR datasets of ischemic stroke patients with known modified Rankin Scale (mRS) functional outcome after 30 days were used. The infarct regions were segmented and used to calculate the percentage of lesioned voxels in the predefined MNI, Harvard-Oxford cortical and subcortical atlas regions as well as using four problem-specific VOIs, which were identified from the database using voxel-based lesion symptom mapping. An overall of 12 SVM classification models for predicting the corresponding mRS score were generated using the lesion overlap values from the different brain region definitions, stroke laterality information, and the optional parameters infarct volume, admission NIHSS, and patient age. RESULTS: Leave-one-out cross validations revealed that including information about the stroke location in terms of lesion overlap measurements led to improved mRS prediction results compared to classification models not utilizing the stroke location information. Furthermore, integration of the optional features led to improved mRS prediction results in all cases tested. The problem-specific brain regions and additional integration of the optional features led to the best mRS predictions with a precise multi-value mRS prediction accuracy of 56%, sliding window multi-value mRS prediction accuracy (mRS±1) of 82%, and binary mRS (0-2 vs. 3-5) prediction accuracy of 85%. CONCLUSION: Therefore, a graded SVM-based functional stroke outcome prediction using the problem-specific brain regions for lesion overlap quantification leads to promising results but needs to be further validated using an independent database to rule out a potential methodical bias and overfitting effects. The prediction of the graded mRS functional outcome could be a valuable tool if combined with voxel-wise tissue outcome predictions based on multi-parametric datasets acquired at the acute phase.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».