Radiological features of brain hemorrhage through automated segmentation from computed tomography in stroke and traumatic brain injury
Notice bibliographique
Résumé
Introduction: Radiological assessment is necessary to diagnose spontaneous intracerebral hemorrhage (ICH) and traumatic brain injury intracranial hemorrhage (TBI-bleed). Artificial intelligence (AI) deep learning tools provide a means for decision support. This study evaluates the hemorrhage segmentations produced from three-dimensional deep learning AI model that was developed using non-contrast computed tomography (CT) imaging data external to the current study. Methods: Non-contrast CT imaging data from 1263 patients were accessed across seven data sources (referred to as sites) in Norway and Sweden. Patients were included based on ICH, TBI-bleed, or mild TBI diagnosis. Initial non-contrast CT images were available for all participants. Hemorrhage location frequency maps were generated. The number of estimated haematoma clusters was correlated with the total haematoma volume. Ground truth expert annotations were available for one ICH site; hence, a comparison was made with the estimated haematoma volumes. Segmentation volume estimates were used in a receiver operator characteristics (ROC) analysis for all samples (i.e., bleed detected) and then specifically for one site with few TBI-bleed cases. Results: -value < 0.01) and evidence of ICH between-site differences. Relative to hand-drawn annotations for one ICH site, the VIOLA-AI segmentation mask achieved a median Dice Similarity Coefficient of 0.82 (interquartile range: 0.78 and 0.83), resulting in a small overestimate in the haematoma volume by a median of 0.47 mL (interquartile range: 0.04 and 1.75 mL). The bleed detection ROC analysis for the whole sample gave a high area-under-the-curve (AUC) of 0.92 (with sensitivity and specificity of 83.28% and 95.41%); however, when considering only the mild head injury site, the TBI-bleed detection gave an AUC of 0.70. Discussion: An open-source segmentation tool was used to visualize hemorrhage locations across multiple data sources and revealed quantitative hemorrhage site differences. The automated total hemorrhage volume estimate correlated with a per-participant hemorrhage cluster count. ROC results were moderate-to-high. The VIOLA-AI tool had promising results and might be useful for various types of intracranial hemorrhage.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».