SPD matrices representing artery anatomy for first-pass effect prediction by aggregated networks with multi-scale attentions
Notice bibliographique
Résumé
First-pass Effect(FPE) for Endovascular Therapy(EVT) is associated with good clinical outcome (mRS2) of patients with Acute Ischaemic Stroke (AIS). A rapid and accurate prediction of FPE before EVT can help neurointerventionists plan the procedure and avoid delays in restoration of cerebral blood flow. However, there are rare studies focused on FPE prediction on arterial vessel anatomy immediately. The intractable difficulty lies in extracting discriminative features to represent a wide variety of vessels with irregular vessel shapes. In this paper, we propose a Symmetric Positive Definite(SPD) matrix-based feature representation extracted from the centerline of arterial vessels, encoding the global discriminative information over the artery for predicting FPE. Subsequently, a collaborative network of multi-scale Convolutional Neural Network(CNN) and Multiple Layer Perception (MLP) with specific attentions is developed. Specifically, the CNN is used for capturing the features among the multi-scale local neighbours of the curve. MLPs are used for capturing more prominent global discriminative features at different scales. The attention mechanism is used to better filter and extract the useful information for feature fusion. Quantitative experimental results demonstrate that our proposed method is able to predict FPE accurately, outperforming the manually defined features and traditional machine learning-based methods in this task, regarding the metrics of AUC, precision, sensitivity, specificity and accuracy.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».