Automatic Ischemic Core Estimation Based on Noncontrast-Enhanced Computed Tomography
Notice bibliographique
Résumé
BACKGROUND: Evaluating the extent of ischemic change is an important step in deciding whether to use thrombolysis or mechanical thrombectomy, but the current standard method, Alberta Stroke Program Early CT Score, is semiquantitative and has low consistency among raters. We aim to create and test a fully automated machine learning–based ischemic core segmentation model using only noncontrast-enhanced computed tomography images. METHODS: In this multicenter retrospective study, patients with anterior circulation acute ischemic stroke who received both computed tomography (CT) and magnetic resonance imaging before thrombolysis or recanalization treatment between 2013 and 2019 were included. On CT, the ischemic core was manually delineated using the diffusion-weighted image and apparent diffusion coefficient maps. A deep learning–based ischemic core segmentation model (DL model) was developed using data from 3 institutions (n=272), and the model performance was validated using data from 3 institutions (n=106 RESULTS: The median time ).between CT and magnetic resonance imaging in the validation cohort was 18 min. The DL model calculated ischemic core volume was significantly correlated with the reference standard (intraclass correlation coefficient, 0.90, P <0.01). Both the early time window (≤4.5 hours from onset; intraclass correlation coefficient, 0.90, P <0.01) and the late time window (>4.5 hours from onset; intraclass correlation coefficient, 0.93, P <0.01) had significant correlations. The median difference in ivolume between the model and the reference standard was 4.7 mL (interquartile range, 0.8–12.4 mL). The DL model performed well in distinguishing large ischemic cores (>70 mL), with a sensitivity of 84.2%, specificity of 97.7%, and area under the curve of 0.91. CONCLUSIONS: The deep learning–based ischemic core segmentation model, which was based on noncontrast-enhanced CT, demonstrated high accuracy in assessing ischemic core volume in patients with anterior circulation acute ischemic stroke.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».