Performance of an artificial intelligence tool for multi-step acute stroke imaging: A multicenter diagnostic study
Notice bibliographique
Résumé
Objective: Several artificial intelligence (AI) tools have been developed to assist in the stroke imaging workflow, which remains a major disease of the 21st century. This study evaluated the combined performance of an FDA-cleared and CE-marked AI-based device with three modules designed to detect intracerebral hemorrhage (ICH), identify large vessel occlusion (LVO), and calculate Alberta Stroke Program Early CT Scores (ASPECTS). Materials & methods: Non-contrast CT (NCCT) and/or computed tomography angiography (CTA) for suspicion of stroke acquired at La Timone and Nord University hospitals (Marseille, France) between March 2019 and March 2020 were retrospectively collected. The AI tool, CINA-HEAD (Avicenna.AI), processed the data to flag ICH, LVO, and calculate ASPECTS. The results were compared to ground truth evaluations by four expert neuroradiologists to compute diagnostic performances. Results: A total of 373 NCCT and 331 CTA from 405 patients (mean age 64.9 ± 18.9 SD, 52.6 % female) were included. The AI tool achieved an accuracy of 94.6 % [95 % CI: 91.8 %-96.7 %] for ICH detection on NCCT and of 86.4 % [95 % CI: 82.2 %-89.9 %] for LVO identification on CTA. The region-based ASPECTS analysis yielded an accuracy of 88.6 % [95 % CI: 87.8 %-89.3 %] and the dichotomized ASPECTS classification (ASPECTS ≥ 6) achieved 80.4 % accuracy. Conclusion: This study demonstrates the reliable, stepwise performance of an AI-based stroke imaging tool across the diagnostic cascade of ICH and LVO detection and ASPECTS scoring. Such robust multi-stage evaluation supports its potential for streamlining acute stroke triage and decision-making.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».