A multimodal multitask deep learning model for predicting stroke lesion and functional outcomes using 4D CTP imaging and clinical metadata
Notice bibliographique
Résumé
Acute ischemic stroke is a major global health challenge, leading to long-term disability or death without timely intervention. Among neuroimaging modalities, spatio-temporal (4D) computed tomography perfusion (CTP) is widely used to assess cerebral blood flow and guide acute treatment decisions. Beyond this role, recent studies have demonstrated its potential to predict lesion outcomes (irreversible tissue damage at follow-up) and functional outcomes (long-term functional independence). Although inherently related, these outcomes are typically modeled and predicted separately, ignoring shared patterns that could enhance predictive accuracy. Multitask learning provides a promising solution by leveraging shared representations across both related tasks. However, only a few stroke studies have adopted this approach so far, and those that did primarily relied on imaging data alone. Thus, we developed CTPredict, the first multimodal, multitask deep learning model that simultaneously predicts follow-up stroke lesions and functional outcomes (specifically, 90-day modified Rankin Scale) from 4D CTP imaging and clinical metadata. CTPredict integrates modality-specific encoders for feature extraction, a multimodal fusion module with cross-attention mechanisms to focus on relevant features from both data sources, and task-specific branches for outcome prediction, all within a computationally efficient framework for multitask learning. Evaluated on a challenging multi-center dataset of 111 AIS patients, CTPredict achieved a 0.23 Dice score and 0.77 accuracy for the lesion and functional outcome prediction tasks, respectively, outperforming single-task variants (0.21 Dice score, 0.73 accuracy). These results demonstrate the benefits of multitask learning and highlight CTPredict's potential to enable more streamlined, data-driven, and personalized stroke outcome predictions in clinical practice.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,002 |
| 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 ».