A deep learning approach versus expert clinician panel in the classification of posterior circulation infarction
Notice bibliographique
Résumé
BACKGROUND: Posterior circulation infarction (POCI) is common. Imaging techniques such as non-contrast-CT (NCCT) and diffusion-weighted-magnetic-resonance-imaging commonly fail to detect hyperacute POCI. Studies suggest expert inspection of Computed Tomography Perfusion (CTP) improves diagnosis of POCI. In many settings, there is limited access to specialist expertise. Deep-learning has been successfully applied to automate imaging interpretation. This study aimed to develop and validate a deep-learning approach for the classification of POCI using CTP. METHODS: Data were analysed from 3541-patients from the International-stroke-perfusion-registry (INSPIRE). All patients with baseline multimodal-CT and follow-up imaging performed at 24-48 h were identified. A cohort of 541-patients was constructed on a 1:3 POCI-to -reference-ratio for model analysis. A 3D-Dense-Convolutional-Network (DenseNet) was trained to classify patients into POCI or non-POCI using CTP-deconvolved-maps. Six-stroke-experts also independently classified patients based upon stepwise access to multimodal CT (mCT) data. DenseNet results were compared against expert clinician results. Model and clinician performance was evaluated using area-under-the-receiver-operating-curve, sensitivity, specificity, accuracy and precision. Clinician agreement was measured with the Fleiss-Kappa-statistic. RESULTS: Best mean clinician diagnostic accuracy, sensitivity and agreement was demonstrated after review of all mCT data (AUC: 0.81, Sensitivity: 0.65, Fleiss-Kappa-statistic: 0.73). There was a spectrum of individual clinician results with an AUC-range of 0.73-0.86. Best DenseNet performance was recorded with an input combination of NCCT and delay-time maps. The DenseNet model was superior to the best mean clinician performance (AUC: 0.87) and was due to enhanced sensitivity (DenseNET: 0.77, Clinician: 0.65). The degree to which the DenseNet model outperformed each clinician ranged and was clinician specific (AUC improvement 0.01-0.14). CONCLUSION: Comprehensive review of CTP improves diagnostic performance and agreement amongst clinicians. A DenseNet model was superior to best mean clinician performance. The degree of improvement varied by specific clinician. Development of a clinician-DenseNet approach may improve inter-clinician agreement and diagnostic accuracy. This approach may alleviate limited specialist services in resource constrained settings.
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 | 0,015 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».