Deep Learning-Based Multi-Feature Auxiliary Diagnosis Method for Early Detection of Ischemic Stroke
Notice bibliographique
Résumé
Stroke, an acute cerebrovascular disease, has become the second leading cause of death worldwide after coronary heart disease, characterized by high incidence, disability, and mortality rates, with an increasingly younger affected population.Clinically, stroke types are primarily divided into ischemic and hemorrhagic strokes, with ischemic stroke being the most common.Presently, early identification methods rely heavily on physicians' experience, leading to misdiagnosis, missed diagnosis, diagnostic delay, and other issues, potentially resulting in worsened conditions or severe complications.Although artificial intelligence-based stroke auxiliary diagnosis systems have been employed in recent years to reduce missed diagnoses and enhance work efficiency, their impact on improving diagnostic accuracy has been limited.The main reason for this limitation is the selection of relatively singular or atypical feature types in neural networks, which affects diagnostic accuracy.To address this issue, this study leverages the rapid and sensitive response of electroencephalogram (EEG) data to cerebral ischemia and combines it with clinical indicators to propose a comprehensive "clinical indicators + quantitative electroencephalogram" multi-feature pattern recognition method.Initially, 23 key features for neural network training are selected.Subsequently, an ischemic stroke diagnosis model combining LSTM attention and multi-feature is constructed.In an experiment involving 500 ischemic stroke patients, the diagnostic model demonstrates an accuracy of 0.81, a sensitivity of 0.82, and an F1-score of 0.81.Moreover, to accurately locate the lesion area, the three-dimensional features of MRI images are used.A cascaded 3D deep residual network stroke precise segmentation method is constructed by incorporating residual units and cascade concepts into the 3DCNN network.The evaluation indicators of this segmentation algorithm on the training set are: DICE coefficient 0.91, precision 0.94, and sensitivity 0.89.Experimental results indicate that the proposed method outperforms existing clinical diagnosis schemes and CNN segmentation models in terms of diagnostic performance.The implementation of rapid and accurate diagnosis during early stages of stroke onset is crucial for improving ischemic prognosis, minimizing brain damage, and reducing mortality and disability rates.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».