Abstract 347: Using Deep Convolutional Neural Networks To Automate Classification Of Carotid Plaques From Ultrasound Imaging
Notice bibliographique
Résumé
Background: Stroke is a devastating consequence of plaque rupture from the carotid arteries. Current management of carotid plaques involves waiting for symptoms (e.g., stroke or mini-stroke), as intervention itself has risk of stroke and not all plaques are vulnerable to rupture. There is a need to better risk-stratify plaque that causes stroke. Carotid ultrasound (US) is a non-invasive and inexpensive visualization of plaques but is limited by human interpretation. We hypothesize that convolutional neural networks (CNNs) will identify unique features of carotid plaques for automated risk stratification. Methods: Our workflow is illustrated in Fig. a. A total of 141 B-mode US images of carotid arteries were included; 64 high-risk with symptomatic carotid plaques and 75 low-risk with no significant plaque. Data was cropped and divided into training (70%) and holdout test (30%) subsets. During model training, an ensemble of ResNet-18 CNNs learned classification of low-risk and high-risk cases using five-fold stratified cross validation and was used to predict on the holdout test set. The model was evaluated using ROC-AUC and sensitivity. Saliency maps were used for model interpretability to highlight relevant pixels for model decisions. Results: The cross-validation AUC was 0.995 ± 0.010. The testing AUC was 0.909 and class-wise sensitivities were 0.88 (low-risk) and 0.79 (high-risk). The density plot (Fig. b) shows that the classifier correctly identifies both classes with confidence. Model interpretability using saliency maps (Fig. c) shows pixels corresponding to carotid artery vessel edges and in high-risk cases, carotid plaques. Conclusions: Using this proof-of-concept model, carotid US long axis images are sufficient to identify high-risk plaques in symptomatic patients - we now need to determine whether we can identify high-risk plaques before symptoms to prevent devastating stroke caused by carotid disease.
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) | 0,002 | 0,001 |
| 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) | 0,003 | 0,002 |
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 ».