Acute Infarct Core Volume Estimation on Noncontrast Computed Tomography With a Deep Learning Algorithm
Notice bibliographique
Résumé
Background A simplified patient selection paradigm with noncontrast computed tomography (NCCT) can reduce the time to reperfusion and widen the eligibility of acute ischemic stroke large vessel occlusions (LVOs) for endovascular therapy. The objectives of this article are (1) to develop, train, and internally validate a deep learning algorithm that estimates baseline infarct core volume (ICV) on NCCT in anterior circulation LVO patients, and (2) by using an external set, to ascertain how this algorithm's (aICV‐NCCT) predictive performance compares with Alberta Stroke Program Early Computed Tomography Score‐NCCT and ICV‐CT perfusion in its capacity to estimate the final infarct volume established on diffusion‐weighted magnetic resonance imaging at 24‐ to 48‐hour follow‐up. Methods In the first phase, stroke activations with baseline NCCT and CT angiography were used to train an aICV‐NCCT. The algorithm was then internally validated using intraclass correlations and Intersection over Union. In the external set, patients with LVO treated with endovascular therapy achieving modified Thrombolysis in Cerebral Infarction score ≥2b and available baseline NCCT, CT angiography, and CT perfusion were included. Results A total of 2858 studies of patients with stroke alerts were used for training (80%) and internal validation (20%). We obtained a high correlation (intraclass correlation coefficient, 0.78; CI, 0.73–0.83) and an acceptable Intersection over Union of 0.24 on the internal validation set. The external set consisted on 230 patients with an LVO. When predicting final infarct volume on the external set, our aICV‐NCCT was similar to ICV‐CT perfusion (intraclass correlation coefficient, 0.50 versus 0.54; P = 0.764) and Alberta Stroke Program Early Computed Tomography Score‐NCCT (r s , −0.41; P = 0.436). Conclusion In this study, we developed and validated a deep learning algorithm that demonstrates an at least equivalent performance to CT perfusion in estimating core volume on acute stroke imaging studies in patients with suspected anterior circulation LVO strokes. The algorithm's robust performance holds significant potential in settings with limited access to advanced imaging technologies across diverse healthcare environments.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».