CT perfusion stroke lesion threshold calibration between deconvolution algorithms
Notice bibliographique
Résumé
Structured Abstract Objective CTP is an important diagnostic tool in managing patients with acute ischemic stroke, but challenges persist in the reliability of stroke lesion volumes determined with different software. We investigated a systematic method to calibrate CTP lesion thresholds between deconvolution algorithms using a digital perfusion phantom. Approach The accuracy of one model-independent and two model-based deconvolution algorithms in estimating ground truth cerebral blood flow (CBF) and Tmax in the phantom was quantified. Reference thresholds for ischemic core and penumbra were model-independent CBF<30% and Tmax>6 s, respectively, which is the current clinical standard. The equivalent model-based CBF and Tmax thresholds were determined by comparing linear regressions of phantom ground truth and deconvolution-estimated perfusion between algorithms. Calibrated thresholds were then validated in 63 patients with large vessel stroke by comparing admission CTP ischemic core and <3-hour diffusion-weighted imaging (DWI) lesion volume by Bland-Altman analysis. Agreement in target mismatch (core < 70 ml, penumbra ≥ 15 ml, mismatch ratio ≥ 1.8) determined by the three methods was assessed by Cohen’s kappa (κ) and concordance. Main Results The calibrated thresholds were CBF<15% and Tmax>6 s for both model-based methods. DWI minus CTP lesion mean volume differences (95% limits of agreement) were +16.2 (−30.9 to 63.3) ml, +10.9 (−32.9 to 54.7) ml, and +13.8 (−48.1 to 75.7) ml for model-independent and the two calibrated model-based approaches, respectively. Agreement in mismatch profiles with the two model-based deconvolution methods versus model-independent assessment was κ = 0.87 (95% confidence interval [CI]: 0.72 to 1.00) and κ = 0.86 (95% CI: 0.70 to 1.00), and both achieved 95% concordance. Significance We reported a systematic method of calibrating perfusion thresholds between deconvolution algorithms based on their quantitative accuracy. This may harmonize ischemic lesion volumes determined by different CTP software.
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 | 0,009 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».