Hybrid Artificial Intelligence Model for Prediction and Classification Across all Stages of Brain Ischemic Stroke in Non-enhanced Computerized Tomography Images
Date
2024-05-26
Authors
Ibraheem Bassam Ibraheem Qdaih
إبراهيم بسام إبراهيم قديح
Journal Title
Journal ISSN
Volume Title
Publisher
Al-Quds University
Abstract
Stroke is a major global health issue, resulting in significant mortality and disability among approximately 16 million people annually. Rapid response is crucial to mitigate brain damage and improve patient outcomes. Strokes, which are primarily categorized into ischemic and hemorrhagic types, vary in presentation and can be influenced by modifiable risk factors. In regions like Palestine, with limited economic resources, stroke is a prevalent cause of death. Diagnostic challenges are heightened by the limitations of brain non-enhanced CT (B-NECT) scans, which vary in effectiveness based on the stroke's stage.
This study introduces a novel artificial intelligence-based framework, the Stroke Precision Enhancement Model (SPEM), which employs image processing, deep learning, and machine learning techniques to enhance the classification of ischemic stroke stages in B-NECT images. This real-time hybrid model integrates Contrast Limited Adaptive Histogram Equalization (CLAHE) for preprocessing, with feature extraction conducted through Densely Connected Convolutional Networks-121 (DenseNet-121). Classification is performed using Support Vector Machine (SVM), Random Forest (RF), and Logistic Regression (LR), with a focus on determining the most effective method based on various performance metrics.
The results indicate exceptional performance of the SPEM, especially when combining DenseNet-121 with the LR classifier. Notably, in the hyper-acute stage, the model achieved an accuracy of 0.9957, a precision of 0.9914, and a remarkable Area Under the Receiver Operating Characteristic Curve (AUC) of 0.9999, with a processing time of just 0.04 seconds. Similar high performance was maintained across other stroke stages. These
findings highlight the potential of this AI-enhanced model in facilitating faster and more accurate clinical decisions for early-stage stroke treatment.
The hybrid model shows promise in predicting and classifying ischemic strokes and could significantly impact clinical practice upon further research, validation on larger datasets, enhanced interpretability, and integration into clinical workflows
تعتبر السكتة الدماغية مشكلة صحية عالمية كبرى، حيث تؤدي إلى إعاقة كبيرة وقد تؤدي إلى حدوث الوفيات، و بحسب تقارير منظمة الصحة العالمية (WHO) يصاب حوالي 16 مليون شخص سنويًا بهذا المرض. إن الاستجابة السريعة لهذا النوع من الأمراض أمرًا بالغ الأهمية للتخفيف من تلف الدماغ وتحسين النتائج العلاجية للمرضى. السكتات الدماغية، والتي يتم تصنيفها في المقام الأول إلى نوعين وهما الجلطات الإقفارية والجلطات النزيفية، حيث تختلف في آلية الحصول ويمكن أن تتأثر بعوامل الخطر القابلة للمعالجة. وفي مناطق مثل فلسطين، التي تعتبر من الدول ذات الموارد الاقتصادية المحدودة، تعد السكتة الدماغية سببًا شائعًا للوفاة. تتفاقم التحديات التشخيصية بسبب محدودية فحوصات الدماغ المقطعية غير المعززة بالمادة الظليلية (B-NECT)، والتي تختلف في فعاليتها بناءً على مرحلة السكتة الدماغية. تقدم هذه الدراسة إطارًا جديدًا قائمًا على الذكاء الاصطناعي، باستخدام نموذج تحسين دقة السكتة الدماغية (SPEM) الذي تم تصميمه، و الذي يستخدم تقنيات معالجة الصور والتعلم العميق والتعلم الآلي لتعزيز تصنيف مراحل السكتة الدماغية في صور B-NECT. يدمج هذا النموذج المختلط في الوقت الفعلي معادلة الرسم البياني التكيفي المحدودة للتباين (CLAHE) للمعالجة المسبقة، مع إجراء استخراج الميزات من خلال الشبكات التلافيفية المتصلة بكثافة-121 (DenseNet-121). يتم إجراء التصنيف باستخدام آلة ناقل الدعم (SVM)، والغابات العشوائية (RF)، والانحدار اللوجستي (LR)، مع التركيز على تحديد الطريقة الأكثر فعالية بناءً على مقاييس الأداء المختلفة. تشير النتائج إلى أداء استثنائي لـ SPEM، خاصة عند دمج DenseNet-121 مع المصنف LR. والجدير بالذكر أنه في المرحلة شديدة الحدة، حقق النموذج دقة قدرها 0.9957، و إحكام قدره 0.9914، و تقييم مميز في مقياس منطقة تحت منحنى خصائص تشغيل المستقبِل (AUC) حيث بلغت 0.9999، مع وقت معالجة وتصنيف يبلغ 0.04 ثانية فقط. وقد حافظ مصنف LR على أداء عالٍ مماثل عبر مراحل السكتة الدماغية الأخرى. تسلط هذه النتائج الضوء على إمكانات هذا النموذج المعزز بالذكاء الاصطناعي في تسهيل اتخاذ قرارات سريرية أسرع وأكثر دقة لعلاج السكتة الدماغية في المراحل المبكرة. يُظهر النموذج الهجين نتائج واعدة في توقع وتصنيف السكتات الدماغية ويمكن أن يؤثر بشكل كبير على الممارسة السريرية عند إجراء مزيد من البحث والتحقق من صحته على مجموعات بيانات أكبر، وتعزيز إمكانية التفسير والتكامل في سير العمل السريري.
تعتبر السكتة الدماغية مشكلة صحية عالمية كبرى، حيث تؤدي إلى إعاقة كبيرة وقد تؤدي إلى حدوث الوفيات، و بحسب تقارير منظمة الصحة العالمية (WHO) يصاب حوالي 16 مليون شخص سنويًا بهذا المرض. إن الاستجابة السريعة لهذا النوع من الأمراض أمرًا بالغ الأهمية للتخفيف من تلف الدماغ وتحسين النتائج العلاجية للمرضى. السكتات الدماغية، والتي يتم تصنيفها في المقام الأول إلى نوعين وهما الجلطات الإقفارية والجلطات النزيفية، حيث تختلف في آلية الحصول ويمكن أن تتأثر بعوامل الخطر القابلة للمعالجة. وفي مناطق مثل فلسطين، التي تعتبر من الدول ذات الموارد الاقتصادية المحدودة، تعد السكتة الدماغية سببًا شائعًا للوفاة. تتفاقم التحديات التشخيصية بسبب محدودية فحوصات الدماغ المقطعية غير المعززة بالمادة الظليلية (B-NECT)، والتي تختلف في فعاليتها بناءً على مرحلة السكتة الدماغية. تقدم هذه الدراسة إطارًا جديدًا قائمًا على الذكاء الاصطناعي، باستخدام نموذج تحسين دقة السكتة الدماغية (SPEM) الذي تم تصميمه، و الذي يستخدم تقنيات معالجة الصور والتعلم العميق والتعلم الآلي لتعزيز تصنيف مراحل السكتة الدماغية في صور B-NECT. يدمج هذا النموذج المختلط في الوقت الفعلي معادلة الرسم البياني التكيفي المحدودة للتباين (CLAHE) للمعالجة المسبقة، مع إجراء استخراج الميزات من خلال الشبكات التلافيفية المتصلة بكثافة-121 (DenseNet-121). يتم إجراء التصنيف باستخدام آلة ناقل الدعم (SVM)، والغابات العشوائية (RF)، والانحدار اللوجستي (LR)، مع التركيز على تحديد الطريقة الأكثر فعالية بناءً على مقاييس الأداء المختلفة. تشير النتائج إلى أداء استثنائي لـ SPEM، خاصة عند دمج DenseNet-121 مع المصنف LR. والجدير بالذكر أنه في المرحلة شديدة الحدة، حقق النموذج دقة قدرها 0.9957، و إحكام قدره 0.9914، و تقييم مميز في مقياس منطقة تحت منحنى خصائص تشغيل المستقبِل (AUC) حيث بلغت 0.9999، مع وقت معالجة وتصنيف يبلغ 0.04 ثانية فقط. وقد حافظ مصنف LR على أداء عالٍ مماثل عبر مراحل السكتة الدماغية الأخرى. تسلط هذه النتائج الضوء على إمكانات هذا النموذج المعزز بالذكاء الاصطناعي في تسهيل اتخاذ قرارات سريرية أسرع وأكثر دقة لعلاج السكتة الدماغية في المراحل المبكرة. يُظهر النموذج الهجين نتائج واعدة في توقع وتصنيف السكتات الدماغية ويمكن أن يؤثر بشكل كبير على الممارسة السريرية عند إجراء مزيد من البحث والتحقق من صحته على مجموعات بيانات أكبر، وتعزيز إمكانية التفسير والتكامل في سير العمل السريري.