Automated detection of large vessel occlusion using deep learning: a pivotal multicenter clinical trial and reader assessment study
Notice bibliographique
Résumé
Abstract Background This multicenter clinical trial evaluated the stand-alone efficacy and the improvements in diagnostic accuracy of early-career physicians using a deep learning-based software to detect large vessel occlusion (LVO) in CT angiography (CTA). Methods This multicenter pivotal clinical trial included 595 ischemic stroke patients from January 2018 to September 2023. Standard reference and LVO locations (intracranial internal carotid artery [ICA], M1, or M2) were determined by consensus among three expert vascular neurologists after reviewing CTA, MR imaging, and symptom data. The performance of the JLK-LVO software was evaluated against a standard reference, and its impact on the diagnostic accuracy of four residents involved in stroke care was assessed. Performance metrics included the area under the receiver operating characteristic curve (AUROC), sensitivity, specificity, positive predictive value (PPV), and negative predictive value (NPV). Results Among the 595 patients (mean age 68.5 ± 13.4 years, 56% male), 275 (46.2%) had LVO. The median time interval from the last known well moment to the CTA was 46 hours (IQR 11.8 to 64.4). For LVO detection, the software demonstrated a sensitivity of 86% and a specificity of 97%. For isolated M2 occlusions, it achieved a sensitivity of 69% and a specificity of 96%. The reader assessment study showed that reading with software assistance improved the sensitivity by 4.0% and AUROC by 2.4% (all p < 0.001) compared to readings without AI assistance. Conclusion The software demonstrated a high detection rate for proximal LVO and moderate sensitivity for isolated MCA-M2 occlusion. In addition, the software improved diagnostic accuracy of early-career physicians in detecting LVO.
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 | 0,012 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».