Predicting DWI-FLAIR mismatch on NCCT: the role of artificial intelligence in hyperacute decision making
Notice bibliographique
Résumé
Background: The presence of diffusion-weighted imaging (DWI) and fluid-attenuated inversion recovery (FLAIR) mismatch was used to determine eligibility for intravenous thrombolysis in clinical trials. However, due to the restricted availability of MRI and the ambiguity of image assessment, it is not widely implemented in clinical practice. Methods: A total of 222 acute ischemic stroke patients underwent non-contrast computed tomography (NCCT), DWI, and FLAIR within 1 h of one another. Human experts manually segmented ischemic lesions on DWI and FLAIR images and independently graded the presence of DWI-FLAIR mismatch. Deep learning (DL) models based on the nnU-net architecture were developed to predict ischemic lesions visible on DWI and FLAIR images using NCCT images. Inexperienced neurologists evaluated the DWI-FLAIR mismatch on NCCT images without and with the model's results. Results: The mean age of included subjects was 71.8 ± 12.8 years, 123 (55%) were male, and the baseline NIHSS score was a median of 11 [IQR, 6-18]. All images were taken in the following order: NCCT - DWI - FLAIR, starting after a median of 139 [81-326] min after the time of the last known well. Intravenous thrombolysis was administered in 120 patients (54%) after NCCT. The DL model's prediction on NCCT images revealed a Dice coefficient and volume correlation of 39.1% and 0.76 for DWI lesions and 18.9% and 0.61 for FLAIR lesions. In the subgroup with 15 mL or greater lesion volume, the evaluation of DWI-FLAIR mismatch from NCCT by inexperienced neurologists improved in accuracy (from 0.537 to 0.610) and AUC-ROC (from 0.493 to 0.613). Conclusion: The DWI-FLAIR mismatch may be reckoned using NCCT images through advanced artificial intelligence techniques.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 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) | 0,001 | 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 ».