Abstract WP100: Automatic Large Vessel Occlusion Detection On Computed Tomography Angiography Using A 3D Convolutional Neural Network
Notice bibliographique
Résumé
Purpose: To validate the performance of a 3D convolutional neural network (CNN) based algorithm i.e. Stroke SENS LVO, in automatically detecting the presence of large vessel occlusions (LVO) on computed tomography angiography (CTA) images of the head. Method: A total of 400 studies (217 LVO, 183 non-LVO) were used in the analysis. The LVO group includes internal carotid artery (ICA) and m1 segment of the middle cerebral artery (M1-MCA) occlusions; and the non-LVO group includes more distal or posterior cerebral artery occlusions, no occlusions, and hemorrhagic stroke cases. Expert consensus reads were used as reference standard. Performance was evaluated using sensitivity and specificity and corresponding 95% confidence intervals (CI). Additional analysis was performed on several subgroups of interest. Results: For detecting LVO, the algorithm achieved a sensitivity of 0.894 [0.853, 0.935] and specificity of 0.874 [0.826, 0.922]. Furthermore, sensitivities of 0.857 [0.779, 0.935] on ICA cases (N=77) and 0.914 [0.868, 0.961] on M1-MCA cases (N=140) were noted; similarly, specificities of 0.891 [0.833, 0.949] on hemorrhagic stroke cases (N=110) and 0.849 [0.767, 0.931] on non-LVO-non-hemorrhage cases (N=73) were noted. Similar performances were observed across stratified datasets based on age, sex, scanner manufacturer and slice thickness when compared to the full cohort. Conclusion: Stroke SENS LVO demonstrated high accuracy in automatic detection of LVO on a large heterogeneous dataset.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».