Abstract P330: Optimizing Predictions of Infarct Core Using Machine Learning
Notice bibliographique
Résumé
Introduction: Evaluation of infarct core by advanced neuroimaging has facilitated patient selection for endovascular stroke therapy (EST), however the accuracy of machine-learning analysis compared to these modalities remains unexplored. We test the performance of computed tomography-Alberta Stroke Program Early Computed Tomography Score (CT- ASPECTS) vs. Computed Tomography Perfusion (CTP)-RAPID, vs. an extension of our novel machine-learning model, Deep Symmetry-sensitive Network (DeepSymNet [ref]), using the final infarct volume (FIV) in patients with rapid and successful endovascular reperfusion as the gold standard. Methods and Materials: We identified consecutive patients with large vessel occlusion acute ischemic stroke that underwent EST with TICI 2b/3 reperfusion. FIV was determined by volumetric measurements on 24-48h DWI MRI. The DeepSymNet algorithm combines symmetric and absolute brain representations and had been trained to predict CTP-RAPID core size from CTA source images acquired at presentation. Performance at predicting FIV was determined by Pearson’s correlation for CT- ASPECTS, CTP-RAPID, and DeepSymNet. Data are presented as median [IQR]. Results: Among the 76 patients that met inclusion criteria, 55.2% were male, the median age was 68 years [54-77], and 32.8% were White. 71% of the patients demonstrated an MCA occlusion, and 55% of all occlusions were left-sided. Median ASPECTS on presentation was 8 [7-8.5] and the median FIV was 10 mL [2-37]. ASPECTS, CTP-RAPID and DeepSymNet all correlated with FIV, with comparable performances from ASPECTS (R 2 =-0.398) and CTP-RAPID (R 2 =0.403) and superior performance by DeepSymNet (R 2 =-0.606)(Table). Conclusions: The DeepSymNet machine learning model analyzing CTA source images demonstrated superior performance to ASPECTS and CTP-RAPID in FIV prediction. These findings suggest machine learning models may provide improved predictions of infarct core and selection for EST.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,003 | 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 ».