Deep Learning-Based Automatic Detection of ASPECTS in Acute Ischemic Stroke: Improving Stroke Assessment on CT Scans
Notice bibliographique
Résumé
(1) Background: The Alberta Stroke Program Early CT Score (ASPECTS) is a standardized scoring tool used to evaluate the severity of acute ischemic stroke (AIS) on non-contrast CT (NCCT). Our aim in this study was to automate ASPECTS. (2) Methods: We utilized a total of 258 patient images with suspected AIS symptoms. Expert ASPECTS readings on NCCT were used as ground truths. A deep learning-based automatic detection (DLAD) algorithm was developed for automated ASPECTS scoring based on 168 training patient images using a convolutional neural network (CNN) architecture. An additional 90 testing patient images were used to evaluate the performance of the DLAD algorithm, which was then compared with ASPECTS readings on NCCT as performed by physicians. (3) Results: The sensitivity, specificity, and accuracy of DLAD for the prediction of ASPECTS were 65%, 82%, and 80%, respectively. These results demonstrate that the DLAD algorithm was not inferior to radiologist-read ASPECTS on NCCT. With the assistance of DLAD, the individual sensitivity of the ER physician, neurologist, and radiologist improved. (4) Conclusion: The proposed DLAD algorithm exhibits a reasonable ability for ASPECTS scoring on NCCT images in patients presenting with AIS symptoms. The DLAD algorithm could be a valuable tool to improve and accelerate the decision-making process of front-line physicians.
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 | 0,001 | 0,002 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».