Deep Learning in Emergency Radiology: Evaluating a Tool for Automated ASPECT Scoring in Acute Ischemic Stroke
Notice bibliographique
Résumé
ABSTRACT Background and Purpose The Alberta Stroke Program Early Computed Tomography Score (ASPECTS) quantifies ischemic damage in middle cerebral artery territory strokes, guiding treatment decisions including thrombolysis and mechanical thrombectomy. However, inter‐rater variability in scoring limits its clinical reliability. Automated ASPECTS tools like CINA‐ASPECTS (v1.4.3, Avicenna.AI) have shown potential to enhance consistency and efficiency. This study validated CINA‐ASPECTS using a multinational, multi‐scanner external dataset against a ground truth (GT) established by expert neuroradiologists. Methods Head NCCT scans from 339 patients (20 ASPECTS regions each) were collected from clinical sites in the United States, France, and Japan. Five US board‐certified expert neuroradiologists participated in establishing the GT using NCCT and additional imaging when available, blinded to each other and the device output. CINA‐ASPECTS outputs were compared to this GT on a region‐based and score‐based level. Stratified analyses were conducted by scanner manufacturer, cortical versus deep regions, and individual ASPECTS regions. Results CINA‐ASPECTS demonstrated 72.8% sensitivity, 91.8% specificity, and an area under the receiver operating characteristic curve of 0.823 in region‐based analysis. Score‐based agreement showed an intraclass correlation coefficient (ICC) of 0.83 [95% CI: 0.79–0.86]. Dichotomized score‐based analysis showed good specificity, sensitivity, and ICC. Stratified analysis confirmed consistent performance across scanner manufacturers and cortical/deep ASPECTS regions. Performance was robust regardless of ASPECTS region, potentially aiding in the scoring of difficult regions. Conclusions CINA‐ASPECTS reliably identifies ischemic changes across diverse clinical and imaging conditions, achieving good agreement with expert consensus. These findings support its utility in clinical decision‐making for acute stroke management.
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 | 0,006 | 0,026 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».