Automated Prediction of Ischemic Brain Tissue Fate from Multiphase Computed Tomographic Angiography in Patients with Acute Ischemic Stroke Using Machine Learning
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Multiphase computed tomographic angiography (mCTA) provides time variant images of pial vasculature supplying brain in patients with acute ischemic stroke (AIS). To develop a machine learning (ML) technique to predict tissue perfusion and infarction from mCTA source images. METHODS: 284 patients with AIS were included from the Precise and Rapid assessment of collaterals using multi-phase CTA in the triage of patients with acute ischemic stroke for Intra-artery Therapy (Prove-IT) study. All patients had non-contrast computed tomography, mCTA, and computed tomographic perfusion (CTP) at baseline and follow-up magnetic resonance imaging/non-contrast-enhanced computed tomography. Of the 284 patient images, 140 patient images were randomly selected to train and validate three ML models to predict a pre-defined Tmax thresholded perfusion abnormality, core and penumbra on CTP. The remaining 144 patient images were used to test the ML models. The predicted perfusion, core and penumbra lesions from ML models were compared to CTP perfusion lesion and to follow-up infarct using Bland-Altman plots, concordance correlation coefficient (CCC), intra-class correlation coefficient (ICC), and Dice similarity coefficient. RESULTS: Mean difference between the mCTA predicted perfusion volume and CTP perfusion volume was 4.6 mL (limit of agreement [LoA], -53 to 62.1 mL; P=0.56; CCC 0.63 [95% confidence interval [CI], 0.53 to 0.71; P<0.01], ICC 0.68 [95% CI, 0.58 to 0.78; P<0.001]). Mean difference between the mCTA predicted infarct and follow-up infarct in the 100 patients with acute reperfusion (modified thrombolysis in cerebral infarction [mTICI] 2b/2c/3) was 21.7 mL, while it was 3.4 mL in the 44 patients not achieving reperfusion (mTICI 0/1). Amongst reperfused subjects, CCC was 0.4 (95% CI, 0.15 to 0.55; P<0.01) and ICC was 0.42 (95% CI, 0.18 to 0.50; P<0.01); in non-reperfused subjects CCC was 0.52 (95% CI, 0.20 to 0.60; P<0.001) and ICC was 0.60 (95% CI, 0.37 to 0.76; P<0.001). No difference was observed between the mCTA and CTP predicted infarct volume in the test cohort (P=0.67). CONCLUSIONS: A ML based mCTA model is able to predict brain tissue perfusion abnormality and follow-up infarction, comparable to CTP.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».