Abstract WMP23: Automated ASPECTS Scoring of CT Scans for Acute Ischemic Stroke Patients Using Machine Learning
Notice bibliographique
Résumé
Objective: The Alberta Stroke Program Early CT Score (ASPECTS) method has been widely used to assess non-contrast CT scans from acute ischemic stroke (AIS) patients. Although the ASPECTS is a simple and systematic approach, ASPECTS scoring accuracy and reliability is still a challenge to clinicians, especially with limited experience. The objective of this study is to develop an automated ASPECTS scoring method, which could provide objective assessment and decision-making support. Methods: We collected 160 AIS patient NCCT images with thickness of 5mm (<8 hours from onset to scans) followed by DWI acquisition within 1 hour of NCCT. Expert ASPECTS readings on DWI with 20% thresholding (20% of a given ASPECTS region showed diffusion restriction to be scored as affected) were used as ground truth for evaluations. A NCCT template with ASPECTS regions manually contoured was non-linearly registered onto all NCCT images and ASPECTS regions were then automatically mapped onto subject NCCT images. Image features extracted from each ASPECTS region, such as regional intensity profile, neighbor context, and texture information, were used to train a random forest classifier to discriminate whether an ASPECTS region has ischemic changes. Leave-one-out validation was performed to evaluate the trained model against expert readings on DWI. Results: The proposed method generated an individual ASPECTS region level detection accuracy of 85.3% and only a 1-point discrepancy in total ASPECTS scores compared to expert reading on MRI. Bland-Altman plot of automated ASPECTS vs. expert MRI ASPECTS shows good agreement (Figure 1). The automated ASPECTS method has very high agreement (91.3%) and specificity (98.5%) when dichotomized (ASPECTS 0-4 vs. 5-10). Conclusions: The automated ASPECTS scoring approach is reliable and accurate and can potentially be used to make decisions in patients with acute ischemic stroke.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».