StrokeNeXt: Revolutionäre Siamese-Encoder für CT-Stroke‑Klassifikation

Ein neues Modell namens StrokeNeXt hat die Klassifikation von Schlaganfällen in 2‑D‑CT‑Bildern auf ein neues Niveau gehoben. Durch die Kombination zweier ConvNeXt‑Encoder in einem dualen Zweig‑Design werden Bildmerkmale effizient erfasst und anschließend in einem schlanken, 1‑D‑basierten Decoder zusammengeführt. Dieser Decoder nutzt ein Bottleneck‑Projection‑Layer sowie Transformation‑Schichten, um die Informationen optimal zu kombinieren, bevor ein kompakter Klassifikationskopf die endgültige Entscheidung trifft.

Die Leistungsfähigkeit von StrokeNeXt wurde an einem sorgfältig kuratierten Datensatz von 6 774 CT‑Scans getestet, der sowohl die Erkennung von Schlaganfällen als auch die Unterscheidung zwischen ischämischen und hämorrhagischen Subtypen umfasst. Das Modell übertrifft sowohl klassische Convolutional‑Neural‑Network‑Ansätze als auch Transformer‑basierte Baselines und erzielt dabei Genauigkeiten sowie F1‑Scores von bis zu 0,988. Statistische Tests bestätigen, dass die Verbesserungen signifikant sind, während Sensitivität und Spezifität in allen diagnostischen Kategorien robust bleiben.

Zusätzlich zeigt StrokeNeXt eine verbesserte Kalibrierung, wodurch die Vorhersagefehler im Vergleich zu Konkurrenzmethoden reduziert werden. Die Analyse der Konfusionsmatrix verdeutlicht niedrige Fehlklassifikationsraten. Ein weiterer Pluspunkt ist die geringe Inferenzzeit und die schnelle Konvergenz des Modells, was es besonders für klinische Anwendungen attraktiv macht, bei denen Zeit und Genauigkeit entscheidend sind.