A Multicenter Study on Carotid Ultrasound Plaque Tissue Characterization and Classification Using Six Deep Artificial Intelligence Models: A Stroke Application
Notice bibliographique
Résumé
Atherosclerotic plaque in carotid arteries can ultimately lead to cerebrovascular events if not monitored. The objectives of this study are (a) to design a set of artificial intelligence (AI)-based tissue characterization and classification (TCC) systems (Atheromatic 2.0, AtheroPoint, CA, USA) using ultrasound-based carotid artery plaque scans collected from multiple centers and (b) to evaluate the AI performance. We hypothesize that symptomatic plaque is more scattered than asymptomatic plaque. Therefore, the AI system can learn, characterize, and classify them automatically. We developed six kinds of AI systems: four machine learning (ML) systems, one transfer learning (TL) system, and one deep learning (DL) architecture with different layers. Atheromatic 2.0 uses two types of plaque characterization: (a) an AI-based mean feature strength (MFS) and (b) bispectrum analysis. Three kinds of data were collected: London, Lisbon, and Combined (London + Lisbon). We balanced and then augmented five folds to conduct 3-D optimization for optimal number of AI layers versus folds. Using K10 (90% training, 10% testing), the mean accuracies for DL, TL, and ML over the mean of the three data sets were 93.55%, 94.55%, and 89%, respectively. The corresponding mean AUCs were 0.938, 0.946, and 0.889 (p <; 0.0001), respectively. AI paradigms showed an improvement by 10.41% and 3.32% for London and Lisbon in comparison to Atheromatic 1.0, respectively. On characterization, for all three data sets, MFS (symptomatic) > MFS (asymptomatic) by 46.56%, 19.40%, and 53.84%, respectively, thus validating our hypothesis. Atheromatic 2.0 showed consistent and stable results and is useful for carotid plaque tissue classification and characterization for vascular surgery applications.
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 | 0,000 |
| 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 ».