Impact of Lesion Load Thresholds on Alberta Stroke Program Early Computed Tomographic Score in Diffusion-Weighted Imaging
Notice bibliographique
Résumé
Background and Aims: Assessment of ischemic lesions on CT or MRI diffusion weighted imaging (DWI) using the Alberta Stroke Program Early CT Score (ASPECTS) is widely used to guide acute stroke treatment. However, it has never been defined how many voxels need to be affected to label an DWI-ASPECTS region ischemic. We aimed to assess the effect of various lesion load thresholds on DWI-ASPECTS and compare this automated analysis with visual rating. Materials and Methods: We analyzed overlap of individual DWI lesions of 315 patients from the previously published PRE-FLAIR study with a probabilistic ASPECTS template derived from 221 CT images. We applied multiple lesion load thresholds per DWI-ASPECTS region (>0, >1%, >10%, >20% in each DWI-ASPECTS region) to compute DWI-ASPECTS for each patient and compared the results to visual reading by an experienced stroke neurologist. Results: By visual rating, median ASPECTS was 9, 84 patients had an DWI-ASPECTS score ≤7. Mean DWI lesion volume was 22.1 (±35) ml. In contrast, by use of >0, >1%-, >10%-, and >20%-thresholds, median DWI-ASPECTS was 1, 5, 8 and 10; 97.1% (306), 72.7% (229), 41% (129) and 25.7% (81) had DWI-ASPECTS ≤7, respectively. Overall agreement between automated assessment and visual rating was low for every threshold used (>0%: κw=0.020 1%: κw=0.151; 10%: κw=0.386; 20% κw=0.381). Agreement for dichotomized DWI-ASPECTS ranged from fair to substantial (≤7: >10% κ=0.48; >20% κ=0.45; ≤5: >10% κ=0.528; >20% κ=0.695). Conclusion: Overall agreement between automated and the standardly used visual scoring is low regardless of the lesion load threshold used. However, dichotomized scoring achieved more comparable results. Varying lesion load thresholds had a critical impact on patient selection by ASPECTS. Of note, the relatively low lesion volume and lack of patients with large artery occlusion in our cohort may limit generalizability of these findings.
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 | 0,005 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».