Predicting Acute Ischemic Stroke Core in Multiphase CT Angiography Using a CT Perfusion-Trained Neural Network
Notice bibliographique
Résumé
Early and accurate identification of tissue infarction (stroke core) is crucial for treatment decisions in acute ischemic stroke. While CT angiography (CTA) is widely used and accessible, it lacks standardized methods for core prediction. CT perfusion (CTP) offers improved tissue classification but is limited by higher cost and complexity. This study aims to bridge this gap by developing a convolutional neural network (CNN) trained on CTP core maps to differentiate ischemic core from healthy tissue in multiphase CTA (mCTA) images. We retrospectively analyzed acute ischemic stroke patients who underwent both CTP and mCTA (n=99). Two additional datasets with increasing stroke severity - Severe15 and Severe20 - were derived from the base dataset to assess model performance across a range of clinical scenarios (n=58 and n=31, respectively). The CNN was trained using CTP-derived core maps as ground truth and applied to mCTA-based feature maps. Model performance was optimized using cross-entropy loss and evaluated with thresholding analysis. The primary metric was the Dice similarity coefficient (DSC), supplemented by various thresholded accuracy metrics and threshold-independent precision-recall curve analysis. The model trained on the base dataset demonstrated reasonable performance in distinguishing ischemic stroke core from healthy tissue, achieving a DSC of 0.43. As stroke severity increased, thresholded accuracy metrics improved or remained consistent, with the Severe20 model achieving a DSC of 0.60. Precision-recall curve analysis further highlighted the tradeoff between DSC and overall model precision. This study demonstrates the potential of leveraging machine learning to enhance stroke imaging accessibility by integrating the core detection capabilities of CTP with the speed and availability of CTA. Future work will focus on optimizing performance for clinical translation and expanding validation to larger datasets.Clinical Relevance-- The model developed in this study provides a starting point for a reliable, data-driven approach to stroke imaging that can enhance equitable access to advanced diagnostics and support more informed clinical decision-making, especially in severe stroke cases.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,000 | 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 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 ».