Automated ischemic stroke prediction from Alberta stroke Program Early CT scores utilizing optimized progressive cyclical convolutional neural network on CT scans
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Alberta Stroke Program Early CT Score (ASPECTS) is a systematic approach to evaluating ischemic changes on non-contrast CT (NCCT) scans of acute ischemic stroke (AIS) patients, but it requires expert interpretation and often yields inconsistent results. This study proposes an Automated Ischemic Stroke Prediction model from ASPECTS utilizing an Optimized Progressive Cyclical Convolutional Neural Network (PCCNN) enhanced with the Bitwise Arithmetic Optimization Algorithm (BAOA). The framework employs Dual Image-Adaptive Learnable Filter (DIALF) for skull stripping and normalization and Localized Sparse Incomplete Multi-View Clustering (LSIMVC) for accurate ASPECTS-region segmentation. The model was trained and validated using dual clinical datasets from Huaxi Hospital and Hangzhou First People’s Hospital. Experimental results show that the proposed method achieves 99.22% accuracy, 98.30% precision, 98.02% sensitivity, and an AUC of 0.92, outperforming existing ASPECTS-based models such as DGA3-Net and DL-ASPECTS-AIS by over 25–30% in most metrics, while reducing computational time by up to 31.9%. These findings confirm that the proposed ASPECTS-ISP-PCCNN-CTS framework delivers superior diagnostic accuracy, efficiency, and generalizability for early ischemic stroke assessment.
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.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle