Optimizing Stroke Detection Using Evidential Networks and Uncertainty-Based Refinement
Notice bibliographique
Résumé
Evaluating neurological impairments post-stroke is essential for assessing treatment efficacy and managing subsequent disabilities. Conventional clinical assessment methods depend largely on clinicians' visual and physical evaluations, resulting in coarse rating systems that frequently miss subtle impairments or improvements. Interactive robotic devices, like the Kinarm Exoskeleton system, are transforming the assessment of motor impairments by offering precise and objective movement measurements. In this study, we analyzed kinematic data from 337 stroke patients and 368 healthy controls performing three Kinarm tasks. Using deep learning methods, particularly an evidential network, we distinguished impaired participants from healthy controls while generating measures of prediction uncertainty. By retraining the network with the least uncertain samples and refining the test set by excluding the top 10% most uncertain samples, we improved the sensitivity of detecting subtle impairments in minimally impaired stroke patients (those scoring normal on the CMSA) from 0.55 to 0.75. We further extended the model to detect impairments associated with transient ischemic attack (TIA), resulting in an increased detection accuracy from 0.86 to 0.92. The model's ability to identify subtle motor deficits, even in TIA patients who show no observable symptoms on standard clinical exams, highlights its significant clinical utility. Detecting TIA is critical, as individuals who experience a TIA have a substantially higher risk of recurrent stroke. This work highlights the immense potential of integrating deep learning with uncertainty estimation to enhance the detection of stroke-related impairments, potentially paving the way for personalized post-stroke rehabilitation.
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 ».