Automated ischemic stroke prediction from Alberta stroke Program Early CT scores utilizing optimized progressive cyclical convolutional neural network on CT scans
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».