Assessment of Carotid Artery Plaque Components With Machine Learning Classification Using Homodyned-K Parametric Maps and Elastograms
Notice bibliographique
Résumé
Quantitative ultrasound (QUS) imaging methods, including elastography, echogenicity analysis, and speckle statistical modeling, are available from a single ultrasound (US) radio-frequency data acquisition. Since these US imaging methods provide complementary quantitative tissue information, characterization of carotid artery plaques may gain from their combination. Sixty-six patients with symptomatic ( n = 26 ) and asymptomatic ( n = 40 ) carotid atherosclerotic plaques were included in the study. Of these, 31 underwent magnetic resonance imaging (MRI) to characterize plaque vulnerability and quantify plaque components. US radio-frequency data sequence acquisitions were performed on all patients and were used to compute noninvasive vascular US elastography and other QUS features. Additional QUS features were computed from three types of images: homodyned-K (HK) parametric maps, Nakagami parametric maps, and log-compressed B-mode images. The following six classification tasks were performed: detection of 1) a small area of lipid; 2) a large area of lipid; 3) a large area of calcification; 4) the presence of a ruptured fibrous cap; 5) differentiation of MRI-based classification of nonvulnerable carotid plaques from neovascularized or vulnerable ones; and 6) confirmation of symptomatic versus asymptomatic patients. Feature selection was first applied to reduce the number of QUS parameters to a maximum of three per classification task. A random forest machine learning algorithm was then used to perform classifications. Areas under receiver-operating curves (AUCs) were computed with a bootstrap method. For all tasks, statistically significant higher AUCs were achieved with features based on elastography, HK parametric maps, and B-mode gray levels, when compared to elastography alone or other QUS alone ( ). For detection of a large area of lipid, the combination yielding the highest AUC (0.90, 95% CI 0.80-0.92, ) was based on elastography, HK, and B-mode gray-level features. To detect a large area of calcification, the highest AUC (0.95, 95% CI 0.94-0.96, ) was based on HK and B-mode gray level features. For other tasks, AUCs varied between 0.79 and 0.97. None of the best combinations contained Nakagami features. This study shows the added value of combining different features computed from a single US acquisition with machine learning to characterize carotid artery plaques.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».