Abstract WP222: External Validation of an Automated Hemorrhage Detection and Segmentation Algorithm on Follow-up CT scans in the AcT trial
Notice bibliographique
Résumé
Background and Aims: Machine learning models have shown promising potential for automated hemorrhage detection and segmentation, alleviating highly time-consuming manual contouring and facilitating rapid clinical diagnosis. External validation is essential to assess model generalizability and performance across new dataset configurations. To this end, we externally validated a novel model for hemorrhage detection and segmentation in an unseen randomized-controlled trial dataset. Methods: A novel segmentation architecture based on denoising diffusion probabilistic models was utilized for segmenting hemorrhage. The model had been trained upon a set of 331 CT scans with manually segmented parenchymal hemorrhage lesions. External validation was conducted using the AcT (Alteplase compared to Tenecteplase) trial in which patients underwent post-thrombolysis follow-up CT scans. Ground truth regarding hemorrhage presence was determined by expert readers blinded to the algorithm’s results who performed manual contouring and graded hemorrhages using the Heidelberg classification. Model performance was then evaluated through using diagnostic performance measures and the Dice coefficient. Results: Among the 1338 patients with follow-up CT scans, two types of hemorrhages were adjudicated: (a) any kind of hemorrhage (230/1338) and (b) remote or local hemorrhages classified as PH1 or worse (170/1338). The algorithm achieved sensitivity of 89.4% (95% CI 84.8-94.1%) for hemorrhages ≥PH1 and 61.7% (95% CI 55.5-68.0%) for any kind of hemorrhage where specificity of 92.8% (95% CI 91.3-94.3%), positive predictive value of 64.0% (95% CI 57.6-70.3%), negative predictive value of 92.1% (95% CI 90.5-93.7%) and accuracy of 87.4% was achieved. Dice was 0.582 (95% CI 0.538, 0.629) for any kind of hemorrhage and 0.611 (0.555, 0.667) for hemorrhages ≥PH1. Conclusions: Our automated model for hemorrhage segmentation demonstrated robust performance in this external clinical trial dataset, achieving high sensitivity for large hemorrhages and high specificity for smaller hemorrhages. Future work will seek to further optimize the algorithm’s performance for detection and segmentation of smaller hemorrhages.
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 | 0,079 | 0,093 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».