Artificial intelligence-driven ASPECTS for the detection of early stroke changes in non-contrast CT: a systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Recent advances in machine learning have enabled development of the automated Alberta Stroke Program Early CT Score (ASPECTS) prediction algorithms using non-contrast enhanced computed tomography (NCCT) scans. The applicability of automated ASPECTS in daily clinical practice is yet to be established. The objective of this meta-analysis was to directly compare the performance of automated and manual ASPECTS predictions in recognizing early stroke changes on NCCT. METHODS: The MEDLINE, Scopus, and Cochrane databases were searched. The last database search was performed on March 10, 2022. Studies reporting the diagnostic performance and validity of automated ASPECTS software compared with expert readers were included. The outcomes were the interobserver reliability of outputs between ASPECTS versus expert readings, experts versus reference standard, and ASPECTS versus reference standard by means of pooled Fisher's Z transformation of the interclass correlation coefficients (ICCs). RESULTS: Eleven studies were included in the meta-analysis, involving 1976 patients. The meta-analyses showed good interobserver reliability between experts (ICC 0.72 (95% CI 0.63 to 0.79); p<0.001), moderate reliability in the correlation between automated and expert readings (ICC 0.54 (95% CI 0.40 to 0.67); p<0.001), good reliability between the total expert readings and the reference standard (ICC 0.62 (95% CI 0.52 to 0.71); p<0.001), and good reliability between the automated predictions and the reference standard (ICC 0.72 (95% CI 0.61 to 0.80); p<0.001). CONCLUSIONS: Artificial intelligence-driven ASPECTS software has comparable or better performance than physicians in terms of recognizing early stroke changes on NCCT.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| 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 ».