Contexte et objectif : L'AVC reste une cause majeure de mortalité et de handicap à long terme dans le monde, nécessitant un diagnostic rapide et précis pour améliorer les résultats des patients. Les scans par tomodensitométrie (CT) sont largement utilisés dans les urgences en raison de leur rapidité, de leur disponibilité et de leur coût-efficacité. Cette étude propose un cadre basé sur l'intelligence artificielle (IA) pour la classification multiclass des AVC (ischémique, hémorragique et sans AVC) à l'aide d'images de scans CT fournies par le Ministère de la Santé de la République de Turquie. Méthodes : Nous avons adopté MaxViT, une architecture de transformateur de vision (ViT) à la pointe de la technologie, comme modèle d'apprentissage profond principal pour la classification des AVC. D'autres variantes de transformateurs, y compris Vision Transformer (ViT), Transformer-in-Transformer (TNT) et ConvNeXt, ont été évaluées pour comparaison. Pour améliorer la généralisation du modèle et gérer le déséquilibre des classes, des techniques classiques d'augmentation de données ont été appliquées. De plus, une IA explicable (XAI) a été intégrée en utilisant Grad-CAM++ pour fournir des insights visuels sur les décisions du modèle. Résultats : Le modèle MaxViT avec augmentation a atteint les meilleures performances, avec une précision et un score F1 de 98,00 %, outperformant le Vision Transformer de base et d'autres modèles évalués. Les visualisations Grad-CAM++ ont confirmé que le cadre proposé identifiait efficacement les régions liées aux AVC, améliorant la transparence et la confiance clinique. Conclusions : Cette recherche contribue au développement d'un outil de diagnostic assisté par IA fiable pour les AVC, facilitant son intégration dans la pratique clinique et améliorant l'accès à un diagnostic d'AVC opportun et optimal dans les services d'urgence.
Qari et al. (Mon,) ont étudié cette question.