Automated ischemic stroke lesion detection on non-contrast brain CT: a large-scale clinical feasibility test AI stroke lesion detection on NCCT
Notice bibliographique
Résumé
Background Non-contrast CT (NCCT) is widely used imaging modality for acute stroke imaging but often fails to detect subtle early ischemic changes. Such underestimation can lead clinicians to overlook tissue-level information. This study aimed to develop and externally validate automated software for detecting ischemic lesions on NCCT and to assess its clinical feasibility in stroke patients undergoing endovascular thrombectomy. Methods In this retrospective, multicenter cohort study (May 2011–April 2024), a modified 3D U-Net model was trained using paired NCCT and diffusion-weighted imaging (DWI) data from 2,214 patients with acute ischemic stroke. External validation was performed in 458 subjects. Clinical feasibility was assessed in 603 endovascular thrombectomy-treated patients with complete recanalization. Model outputs were compared against expert-annotated DWI lesions for sensitivity, specificity, and volumetric correlation. Clinical endpoints included follow-up DWI lesion volumes, hemorrhagic transformation, and 3-month modified Rankin Scale outcomes. Results A total of 458 subjects were evaluated for external validation (mean age, 64 years ± 16; 265 men). The model achieved 75.3% sensitivity (95% CI, 70.9–79.9%) and 79.1% specificity (95% CI, 77.1–81.3%). In the feasibility cohort (n = 603; mean age, 69 years ± 13; 362 men), NCCT-derived lesion volumes correlated with follow-up DWI volumes (ρ = 0.60, p < 0.001). Lesions >50 mL were associated with reduced favorable outcomes (17.3% [26/150] vs. 54.2% [246/453], p < 0.001) and higher hemorrhagic transformation rates (66.0% [99/150] vs. 46.3% [210/453], p < 0.001). Radiomics features improved hemorrhagic transformation prediction beyond clinical variables alone (area under the receiver operating characteristic curve, 0.833 vs. 0.626; p = 0.003). Conclusion The automated NCCT-based lesion detection model demonstrated reliable diagnostic performance and provided clinically relevant prognostic information in endovascular thrombectomy-treated stroke patients.
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 | 0,009 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».