Automatic prediction of ASPECTS for patients with posterior circulation infarcts
Notice bibliographique
Résumé
Background: The Alberta Stroke Program Early CT Score (ASPECTS) visually assesses the extent and location of ischemic core in Middle Cerebral Artery (MCA) ischemic strokes. Due to its simplicity, ASPECTS gained popularity and was adapted for diffusion-weighted MRIs (DWI). However, variability in human evaluation affects ASPECTS‘ effectiveness in treatment selection. Automatic classification methods that can replicate expert opinion might add an extra level of reproducibility and aid urgent medical decisions like thrombolysis or prognostic prediction. Objective: We previously developed a fully automatic system to calculate MCA-ASPECTS, matching consensus expert readings. This study extends the system to calculate ASPECTS in posterior circulation strokes (PCA-ASPECTS). Methods: The study included MRIs of patients admitted to our stroke center with ischemic stroke between 2009 and 2019. This subset of the public "Annotated Clinical MRIs and Linked Metadata of Patients with Acute Stroke" (https://www.icpsr.umich.edu/web/ICPSR/studies/38464). Stroke cores were manually traced. Models identifying ischemic regions were trained on 1,414 MRIs with ischemic evidence in DWI and tested on an independent dataset of 160 patients with posterior circulation infarcts. The models‘ efficiency was compared to consensus expert evaluations and inter-evaluator comparisons. Results: The Random Forest model was the most efficient for classifying stroke locations in the posterior circulation. Balanced accuracy (0-1 scale, with 1 being perfect) was: PCA 0.87; cerebellum 0.92; midbrain 0.84; pons 0.84; thalamus 0.87. This performance rivaled inter-evaluator classification. The model‘s accuracy in predicting unilateral or bilateral lesions in the PCA, cerebellum, and midbrain averaged 0.9. Accuracy for predicting PCA-ASPECTS was 0.65, and 0.85 for "flexible" ASPECTS (±1 point tolerance). We developed a fully automated system for calculating PCA-ASPECTS with accuracy comparable to inter-evaluator agreement. While accuracy for total score calculation was slightly lower due to multiclass issues, accuracy for predicting individual affected regions and flexible ASPECTS rivaled or exceeded inter-evaluator agreement. This system is part of our Acute Stroke Detection and Segmentation tool, ADS (https://www.nitrc.org/projects/ads), which outputs digital infarct masks, proportions of brain regions injured, automatic radiology reports, and MCA-ASPECTS, all with explanatory features. ADS is public, free, accessible to non-experts, and runs in real time on local CPUs with minimal computational requirements. Conclusion: We developed an automated and accessible system to accurately predict PCA-ASPECTS, potentially enhancing acute stroke assessment and supporting urgent medical decisions and reproducible research.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 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 | 0,001 |
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 ».