Collateral Automation for Triage in Stroke: Evaluating Automated Scoring of Collaterals in Acute Stroke on Computed Tomography Scans
Notice bibliographique
Résumé
Computed tomography angiography (CTA) collateral scoring can identify patients most likely to benefit from mechanical thrombectomy and those more likely to have good outcomes and ranges from 0 (no collaterals) to 3 (complete collaterals). In this study, we used a machine learning approach to categorise the degree of collateral flow in 98 patients who were eligible for mechanical thrombectomy and generate an e-CTA collateral score (CTA-CS) for each patient (e-STROKE SUITE, Brainomix Ltd., Oxford, UK). Three experienced neuroradiologists (NRs) independently estimated the CTA-CS, first without and then with knowledge of the e-CTA output, before finally agreeing on a consensus score. Addition of the e-CTA improved the intraclass correlation coefficient (ICC) between NRs from 0.58 (0.46-0.67) to 0.77 (0.66-0.85, p = 0.003). Automated e-CTA, without NR input, agreed with the consensus score in 90% of scans with the remaining 10% within 1 point of the consensus (ICC 0.93, 0.90-0.95). Sensitivity and specificity for identifying favourable collateral flow (collateral score 2-3) were 0.99 (0.93-1.00) and 0.94 (0.70-1.00), respectively. e-CTA correlated with the Alberta Stroke Programme Early CT Score (Spearman correlation 0.46, p < 0.001) highlighting the value of good collateral flow in maintaining tissue viability prior to reperfusion. In conclusion, -e-CTA provides a real-time and fully automated approach to collateral scoring with the potential to improve consistency of image interpretation and to independently quantify collateral scores even without expert rater input.
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 | 0,010 | 0,033 |
| 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 | 0,001 |
| 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) | 0,001 | 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 ».