Improved Reliability of Automated ASPECTS Evaluation Using Iterative Model Reconstruction from Head CT Scans
Notice bibliographique
Résumé
ABSTRACT BACKGROUND AND PURPOSE Iterative model reconstruction (IMR) has shown to improve computed tomography (CT) image quality compared to hybrid iterative reconstruction (HIR). Alberta Stroke Program Early CT Score (ASPECTS) assessment in early stroke is particularly dependent on high‐image quality. Purpose of this study was to investigate the reliability of ASPECTS assessed by humans and software based on HIR and IMR, respectively. METHODS Forty‐seven consecutive patients with acute anterior circulation large vessel occlusions (LVOs) and successful endovascular thrombectomy were included. ASPECTS was assessed by three neuroradiologists (one attending, two residents) and by automated software in noncontrast axial CT with HIR (iDose4; 5 mm) and IMR (5 and 0.9 mm). Two expert neuroradiologists determined consensus ASPECTS reading using all available image data including MRI. Agreement between four raters (three humans, one software) and consensus were compared using square‐weighted kappa (κ). RESULTS Human raters achieved moderate to almost perfect agreement (κ = .557‐.845) with consensus reading. The attending showed almost perfect agreement for 5 mm HIR (κHIR = .845), while residents had mostly substantial agreements without clear trends across reconstructions. Software had substantial to almost perfect agreement with consensus, increasing with IMR 5 and 0.9 mm slice thickness (κHIR = .751, κIMR = .777, and κIMR0.9 = .814). Agreements inversely declined for these reconstructions for the attending (κHIR = .845, κIMR = .763, and κIMR0.9 = .681). CONCLUSIONS Human and software rating showed good reliability of ASPECTS across different CT reconstructions. Human raters performed best with the reconstruction algorithms they had most experience with (HIR for the attending). Automated software benefits from higher resolution with better contrasts in IMR with 0.9 mm slice thickness.
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 | 0,018 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 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 ».