Machine Learning for Detecting Early Infarction in Acute Stroke with Non–Contrast-enhanced CT
Notice bibliographique
Résumé
Background Identifying the presence and extent of infarcted brain tissue at baseline plays a crucial role in the treatment of patients with acute ischemic stroke (AIS). Patients with extensive infarction are unlikely to benefit from thrombolysis or thrombectomy procedures. Purpose To develop an automated approach to detect and quantitate infarction by using non–contrast-enhanced CT scans in patients with AIS. Materials and Methods Non–contrast-enhanced CT images in patients with AIS (<6 hours from symptom onset to CT) who also underwent diffusion-weighted (DW) MRI within 1 hour after AIS were obtained from May 2004 to July 2009 and were included in this retrospective study. Ischemic lesions manually contoured on DW MRI scans were used as the reference standard. An automatic segmentation approach involving machine learning (ML) was developed to detect infarction. Randomly selected nonenhanced CT images from 157 patients with the lesion labels manually contoured on DW MRI scans were used to train and validate the ML model; the remaining 100 patients independent of the derivation cohort were used for testing. The ML algorithm was quantitatively compared with the reference standard (DW MRI) by using Bland-Altman plots and Pearson correlation. Results In 100 patients in the testing data set (median age, 69 years; interquartile range [IQR]: 59–76 years; 59 men), baseline non–contrast-enhanced CT was performed within a median time of 48 minutes from symptom onset (IQR, 27–93 minutes); baseline MRI was performed a median of 38 minutes (IQR, 24–48 minutes) later. The algorithm-detected lesion volume correlated with the reference standard of expert-contoured lesion volume in acute DW MRI scans (r = 0.76, P < .001). The mean difference between the algorithm-segmented volume (median, 15 mL; IQR, 9–38 mL) and the DW MRI volume (median, 19 mL; IQR, 5–43 mL) was 11 mL (P = .89). Conclusion A machine learning approach for segmentation of infarction on non–contrast-enhanced CT images in patients with acute ischemic stroke showed good agreement with stroke volume on diffusion-weighted MRI scans. © RSNA, 2020 Online supplemental material is available for this article. See also the editorial by Nael in this issue.
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 | 0,004 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 | 0,001 |
| 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 ».