Detection of Intracerebral Hemorrhage Using Low-Field, Portable Magnetic Resonance Imaging in Patients With Stroke
Notice bibliographique
Résumé
BACKGROUND: Neuroimaging is essential for detecting spontaneous, nontraumatic intracerebral hemorrhage (ICH). Recent data suggest ICH can be characterized using low-field magnetic resonance imaging (MRI). Our primary objective was to investigate the sensitivity and specificity of ICH on a 0.064T portable MRI (pMRI) scanner using a methodology that provided clinical information to inform rater interpretations. As a secondary aim, we investigated whether the incorporation of a deep learning (DL) reconstruction algorithm affected ICH detection. METHODS: The pMRI device was deployed at Yale New Haven Hospital to examine patients presenting with stroke symptoms from October 26, 2020 to February 21, 2022. Three raters independently evaluated pMRI examinations. Raters were provided the images alongside the patient's clinical information to simulate real-world context of use. Ground truth was the closest conventional computed tomography or 1.5/3T MRI. Sensitivity and specificity results were grouped by DL and non-DL software to investigate the effects of software advances. RESULTS: A total of 189 exams (38 ICH, 89 acute ischemic stroke, 8 subarachnoid hemorrhage, 3 primary intraventricular hemorrhage, 51 no intracranial abnormality) were evaluated. Exams were correctly classified as positive or negative for ICH in 185 of 189 cases (97.9% overall accuracy). ICH was correctly detected in 35 of 38 cases (92.1% sensitivity). Ischemic stroke and no intracranial abnormality cases were correctly identified as blood-negative in 139 of 140 cases (99.3% specificity). Non-DL scans had a sensitivity and specificity for ICH of 77.8% and 97.1%, respectively. DL scans had a sensitivity and specificity for ICH of 96.6% and 99.3%, respectively. CONCLUSIONS: These results demonstrate improvements in ICH detection accuracy on pMRI that may be attributed to the integration of clinical information in rater review and the incorporation of a DL-based algorithm. The use of pMRI holds promise in providing diagnostic neuroimaging for patients with ICH.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,001 | 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 ».