sibmedСибирский научный медицинский журналСибирский научный медицинский журнал2410-25122410-2520ИЦиГ СО РАН10.18699/SSMJ20250214sibmed-2084Research ArticleМЕДИКО-БИОЛОГИЧЕСКИЕ НАУКИBIOMEDICINEВлияние метаданных компьютерно-томографических исследований головного мозга на производительность работы сервисов искусственного интеллекта: пилотное исследованиеThe impact of brain computed tomography metadata on the performance of diagnostic artificial intelligence services: a pilot studyhttps://orcid.org/0000-0003-4857-5404ХоружаяА. Н.KhoruzhayaA. N.

 Хоружая Анна Николаевна

 127051, г. Москва, ул. Петровка, 24, стр. 1 

 Anna N. Khoruzhaya 

 127051, Moscow, Petrovka st., 24/1 

khoruzhayaAN@zdrav.mos.ruКулиговскийД. В.KuligovskiyD. V.

 Кулиговский Дмитрий Вадимович 

 127051, г. Москва, ул. Петровка, 24, стр. 1 

 Dmitriy V. Kuligovskiy 

 127051, Moscow, Petrovka st., 24/1 

KuligovskiiDV@zdrav.mos.ruhttps://orcid.org/0000-0002-5283-5961ВасильевЮ. А.VasilevYu. A.

 Васильев Юрий Александрович, к.м.н.

 127051, г. Москва, ул. Петровка, 24, стр. 1 

Yuriy A. Vasilev, candidate of medical sciences 

127051, Moscow, Petrovka st., 24/1 

VasilevYA1@zdrav.mos.ruНаучно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города МосквыРоссияResearch and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care DepartmentRussian Federation202506052025452132141Copyright © Хоружая А.Н., Кулиговский Д.В., Васильев Ю.А., 20252025Хоружая А.Н., Кулиговский Д.В., Васильев Ю.А.Khoruzhaya A.N., Kuligovskiy D.V., Vasilev Y.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://sibmed.elpub.ru/jour/article/view/2084

Цель исследования – оценить влияние метаданных, добавляемых к обучающему набору данных, на производительность работы системы искусственного интеллекта, направленной на работу с диагностическими изображениями головного мозга.Материал и методы. В качестве основы использовали расширенный набор компьютерных томограмм головного мозга с наличием и отсутствием признаков внутричерепного кровоизлияния, дополненный клиническими и техническими параметрами. Из набора выбрали 176 исследований (106 ‒ для обучения, 70 – для тестирования), которые специальным образом подготовили для подачи в нейронную сеть: сегментировали с выделением области интереса (головной мозг), нормализовали, удалили фон. В качестве базовой нейронной сети использовали нейросетевую архитектуру ResNet10, способную анализировать трехмерные медицинские изображения. Она была объединена с другой нейронной сетью для формирования архитектуры ResNet10_Meta, которая с помощью подхода One-Hot-Enconding (OHE) подключает к анализу непосредственно изображений другие метаданные. В качестве метаданных выбрали четыре параметра: Manufacturer, SliceThickness, PatientAge, XrayTubeCurrent. Результаты. Проведено 12 экспериментов по обучению нейронной сети с поочередным присоединением одного, двух или всех дополнительных параметров. Модель с добавлением параметра XTube продемонстрировала наиболее высокую специфичность (82,3 %, 95%-й доверительный интервал (95 % ДИ) [69,6–94,9]), превосходя базовую модель Baseline без подключения дополнительных метаданных (специфичность 79,4 %, 95 % ДИ [66,0–92,8]). Чувствительность модели c добавлением нескольких метаданных (XTube + SliceT) была сравнительно больше (69,7 %, 95 % ДИ [54,5–84,9]), чем модели Baseline. Модель с добавлением всех метаданных «All params» существенных улучшений не продемонстрировала. Однако все найденные различия оказались статистически незначимыми (p > 0,05).Заключение. Наши данные продемонстрировали отсутствие статистически значимых различий в производительности нейронной сети, анализирующей диагностические изображения без учета или с учетом метаданных, добавляемых к обучающему набору данных. Тем не менее данное исследование пилотное и проведено на ограниченной выборке, поэтому еще предстоит выяснить, могут ли коммерчески доступные инструменты искусственного интеллекта быть абсолютно нечувствительными к техническим характеристикам изображений.

The aim of the study is to evaluate the impact of metadata added to the training dataset on the performance of an artificial intelligence system aimed at working with diagnostic brain images. Material and Methods. An expanded set of computed tomography scans of the brain with and without signs of intracranial haemorrhage, supplemented with clinical and technical parameters, was used as a basis. From the dataset, 176 studies were selected (106 for training, 70 for testing), which were specially prepared for input into the neural network: they were segmented with the region of interest (the brain) highlighted, normalized, and the background was removed. The ResNet10 neural network architecture, which is capable of analyzing 3D medical images, was used as the underlying neural network. It was combined with another neural network to form the ResNet10_Meta architecture, which, using a One-HotEnconding (OHE) approach, connects other metadata to analyze images directly. Four parameters were selected as metadata: ‘Manufacturer’, ‘SliceThickness’, ‘PatientAge’, and ‘XrayTubeCurrent’. Results. Twelve experiments were conducted to train the neural network with one, two, or all of the additional parameters added alternately. The model with the addition of the ‘XTube’ parameter showed the highest specificity (82.3 %, 95 % confidence interval (95 % CI) [69.6–94.9]), outperforming the Baseline model without additional metadata (specificity 79.4 %, 95 % CI [66.0–92.8]). The ‘XTube + SliceT’ model with the addition of multiple metadata showed comparatively higher sensitivity (69.7 %, 95 % CI [54.5–84.9]) relative to Baseline model. The model with the addition of all metadata ‘All params’ did not show significant improvements. However, all differences found were statistically insignificant (p > 0.05). Conclusions. Our data demonstrated that there were no statistically significant differences in the performance of a neural network analyzing diagnostic images without or with metadata added to the training dataset. However, this study is pilot and was conducted on a limited sample, so it remains to be seen whether commercially available artificial intelligence tools can be completely insensitive to image specifications.

компьютерная томографияискусственный интеллектвнутричерепные кровоизлиянияголовной мозгнаборы данныхcomputed tomographyintracranial hemorrhageartificial intelligencebraintraining datasetРабота выполнена в рамках НИОКР «Разработка платформы подготовки наборов данных лучевых диагностических исследований» (№ ЕГИСУ: 123031500003-8) в соответствии с Приказом от 21.12.2022 № 1196 «Об утверждении государственных заданий, финансовое обеспечение которых осуществляется за счет средств бюджета города Москвы государственным бюджетным (автономным) учреждениям подведомственным Департаменту здравоохранения города Москвы, на 2023 год и плановый период 2024 и 2025 годов» Департамента здравоохранения города Москвы.This work was carried out as part of the research and development effort titled “Development of a platform to generate data sets containing diagnostic imaging studies” (USIS No.: 123031500003-8) in accordance with the Order No. 1196 dated December 21, 2022 “On approval of state assignments funded by means of allocations from the budget of the city of Moscow to the state budgetary (autonomous) institutions subordinate to the Moscow Health Care Department, for 2023 and the planned period of 2024 and 2025” issued by the Moscow Health Care Department.ReferencesKwee T.C., Kwee R.M. Workload of diagnostic radiologists in the foreseeable future based on recent scientific advances: growth expectations and role of artificial intelligence. Insights Imaging. 2021;12(1):88–101. doi: 10.1186/s13244-021-01031-4Kwee T.C., Kwee R.M. Workload of diagnostic radiologists in the foreseeable future based on recent scientific advances: growth expectations and role of artificial intelligence. Insights Imaging. 2021;12(1):88–101. doi: 10.1186/s13244-021-01031-4Arzamasov K., Vasilev Y., Vladzymyrskyy A., Omelyanskaya O., Shulkin I., Kozikhina D., Goncharova I., Gelezhe P., Kirpichev Y., Bobrovskaya T., Andreychenko A. An international non-inferiority study for the benchmarking of ai for routine radiology cases: chest X-ray, fluorography and mammography. Healthcare (Basel). 2023;11(12):1684. doi: 10.3390/healthcare11121684Arzamasov K., Vasilev Y., Vladzymyrskyy A., Omelyanskaya O., Shulkin I., Kozikhina D., Goncharova I., Gelezhe P., Kirpichev Y., Bobrovskaya T., Andreychenko A. An international non-inferiority study for the benchmarking of ai for routine radiology cases: chest X-ray, fluorography and mammography. Healthcare (Basel). 2023;11(12):1684. doi: 10.3390/healthcare11121684Соловьёв А.В., Васильев Ю.А., Синицын В.Е., Петряйкин А.В., Владзимирский А.В., Шулькин И.М., Шарова Д.Е., Семенов Д.С. Вклад систем искусственного интеллекта в улучшение выявления аневризм аорты по данным компьютерной томографии грудной клетки. Digital Diagnostics. 2024;5(1):29–40. doi: 10.17816/DD569388Solovev A.V., Vasilev Yu.A., Sinitsyn V.E., Petryaykin A.V., Vladzimirskiy A.V., Shulkin I.M., Sharova D.E., Semenov D.S. Improving aortic aneurysm detection with artificial intelligence based on chest computed tomography data. Digital Diagnostics. 2024;5(1):29–40. [In Russian]. doi: 10.17816/DD569388Bizzo B.C., Almeida R.R., Michalski M.H., Alkasab T.K. Artificial Intelligence and Clinical Decision Support for Radiologists and Referring Providers. J. Am. Coll. Radiol. 2019;16(9 Pt B):1351–1356. doi: 10.1016/j.jacr.2019.06.010Bizzo B.C., Almeida R.R., Michalski M.H., Alkasab T.K. Artificial Intelligence and Clinical Decision Support for Radiologists and Referring Providers. J. Am. Coll. Radiol. 2019;16(9 Pt B):1351–1356. doi: 10.1016/j.jacr.2019.06.010Jha S. Value of triage by artificial intelligence. Acad. Radiol. 2020;27(1):153–155. doi: 10.1016/j.acra.2019.11.002Jha S. Value of triage by artificial intelligence. Acad. Radiol. 2020;27(1):153–155. doi: 10.1016/j.acra.2019.11.002Alukaev D., Kiselev S., Mustafaev T., Ainur A., Ibragimov B., Vrtovec T. A deep learning framework for vertebral morphometry and Cobb angle measurement with external validation. Eur. Spine J. 2022;31(8):2115–2124. doi: 10.1007/s00586-022-07245-4Alukaev D., Kiselev S., Mustafaev T., Ainur A., Ibragimov B., Vrtovec T. A deep learning framework for vertebral morphometry and Cobb angle measurement with external validation. Eur. Spine J. 2022;31(8):2115–2124. doi: 10.1007/s00586-022-07245-4Hamyoon H., Yee Chan W., Mohammadi A., Yusuf Kuzan T., Mirza-Aghazadeh-Attari M., Leong W.L., Murzoglu Altintoprak K., Vijayananthan A, Rahmat K., Ab Mumin N., … Abbasian Ardakani A. Artificial intelligence, BI-RADS evaluation and morphometry: A novel combination to diagnose breast cancer using ultrasonography, results from multi-center cohorts. Eur. J. Radiol. 2022;157:110591. doi: 10.1016/j.ejrad.2022.110591Hamyoon H., Yee Chan W., Mohammadi A., Yusuf Kuzan T., Mirza-Aghazadeh-Attari M., Leong W.L., Murzoglu Altintoprak K., Vijayananthan A, Rahmat K., Ab Mumin N., … Abbasian Ardakani A. Artificial intelligence, BI-RADS evaluation and morphometry: A novel combination to diagnose breast cancer using ultrasonography, results from multi-center cohorts. Eur. J. Radiol. 2022;157:110591. doi: 10.1016/j.ejrad.2022.110591Tariq A., Purkayastha S., Padmanaban G.P., Krupinski E., Trivedi H., Banerjee I., Gichoya J.W. Current clinical applications of artificial intelligence in radiology and their best supporting evidence. J. Am. Coll. Radiol. 2020;17(11):1371–1381. doi: 10.1016/j.jacr.2020.08.018Tariq A., Purkayastha S., Padmanaban G.P., Krupinski E., Trivedi H., Banerjee I., Gichoya J.W. Current clinical applications of artificial intelligence in radiology and their best supporting evidence. J. Am. Coll. Radiol. 2020;17(11):1371–1381. doi: 10.1016/j.jacr.2020.08.018Alwosheel A., van Cranenburgh S., Chorus C.G. Is your dataset big enough? Sample size requirements when using artificial neural networks for discrete choice analysis. J. Choice Mod. 2018;28:167–182. doi: 10.1016/j.jocm.2018.07.002Alwosheel A., van Cranenburgh S., Chorus C.G. Is your dataset big enough? Sample size requirements when using artificial neural networks for discrete choice analysis. J. Choice Mod. 2018;28:167–182. doi: 10.1016/j.jocm.2018.07.002Васильев Ю.А., Бобровская Т.М., Арзамасов К.М., Четвериков С.Ф., Владзимирский А.В., Омелянская О.В., Андрейченко А.Е., Павлов Н.А., Анищенко Л.Н. Основополагающие принципы стандартизации и систематизации информации о наборах данных для машинного обучения в медицинской диагностике. Менеджер здравоохр. 2023;(4):28–41. doi: 10.21045/1811-0185-2023-4-28-41Vasilev Yu.A., Bobrovskaya T.M., Arzamasov K.M., Chetverikov S.F., Vladzimirskiy A.V., Omelyanskaya O.V., Andreychenko A.E., Pavlov N.A., Anishchenko L.N. Medical datasets for machine learning: fundamental principles of standartization and systematization. Menedzher zdravookhraneniya = Manager of Health Care. 2023;(4):28–41. [In Russian]. doi: 10.21045/1811-0185-2023-4-28-41Park S.H., Han K. Methodologic guide for evaluating clinical performance and effect of artificial intelligence technology for medical diagnosis and prediction. Radiology. 2018;286(3):800–809. doi: 10.1148/radiol.2017171920Park S.H., Han K. Methodologic guide for evaluating clinical performance and effect of artificial intelligence technology for medical diagnosis and prediction. Radiology. 2018;286(3):800–809. doi: 10.1148/radiol.2017171920Zech J.R., Badgeley M.A., Liu M., Costa A.B., Titano J.J., Oermann E.K. Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: A cross-sectional study. PLoS Med. 2018;15(11):e1002683. doi: 10.1371/journal.pmed.1002683Zech J.R., Badgeley M.A., Liu M., Costa A.B., Titano J.J., Oermann E.K. Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: A cross-sectional study. PLoS Med. 2018;15(11):e1002683. doi: 10.1371/journal.pmed.1002683Васильев Ю.А., Владзимирский А.В., Омелянская О.В., Решетников Р.В., Блохин И.А., Коденко М.Р., Нанова О.Г. Обзор метаанализов о применении искусственного интеллекта в лучевой диагностике. Мед. визуализ. 2024;28(3):22–41. doi: 10.24835/1607-0763-1425Vasilev Yu.A., Vladzimirskiy A.V., Omelyanskaya O.V., Reshetnikov R.V., Blokhin I.A., Kodenko M.R., Nanova O.G. Review of meta-analyses on the use of artificial intelligence in radiology. Meditsinskaya vizualizatsiya = Medical Visualization. 2024;28(3):22–41. [In Russian]. doi: 10.24835/1607-0763-1425Morozov S., Vladzimirskiy A., Ledikhova N., Andreychenko A., Arzamasov K., Omelyanskaya O., Reshetnikov R., Gelezhe P., Blokhin I., Turavilova E., … Bondarchuk D. Diagnostic accuracy of artificial intelligence for analysis of 1.3 million medical imaging studies: the Moscow experiment on computer vision technologies. medRxiv. Preprint. Available at: https://doi.org/10.1101/2023.08.31.23294896Morozov S., Vladzimirskiy A., Ledikhova N., Andreychenko A., Arzamasov K., Omelyanskaya O., Reshetnikov R., Gelezhe P., Blokhin I., Turavilova E., … Bondarchuk D. Diagnostic accuracy of artificial intelligence for analysis of 1.3 million medical imaging studies: the Moscow experiment on computer vision technologies. medRxiv. Preprint. Available at: https://doi.org/10.1101/2023.08.31.23294896Seyam M., Weikert T., Sauter A., Brehm A., Psychogios M.N., Blackham K.A. Utilization of artificial intelligence-based intracranial hemorrhage detection on emergent noncontrast CT images in clinical workflow. Radiol. Artif. Intell. 2022;4(2):e210168. doi: 10.1148/ryai.210168Seyam M., Weikert T., Sauter A., Brehm A., Psychogios M.N., Blackham K.A. Utilization of artificial intelligence-based intracranial hemorrhage detection on emergent noncontrast CT images in clinical workflow. Radiol. Artif. Intell. 2022;4(2):e210168. doi: 10.1148/ryai.210168Voter A.F., Meram E., Garrett J.W., Yu J.J. Diagnostic accuracy and failure mode analysis of a deep learning algorithm for the detection of intracranial hemorrhage. J .Am. Coll. Radiol. 2021;18(8):1143–1152. doi: 10.1016/j.jacr.2021.03.005Voter A.F., Meram E., Garrett J.W., Yu J.J. Diagnostic accuracy and failure mode analysis of a deep learning algorithm for the detection of intracranial hemorrhage. J .Am. Coll. Radiol. 2021;18(8):1143–1152. doi: 10.1016/j.jacr.2021.03.005Zia A., Fletcher C., Bigwood S., Ratnakanthan P., Seah J., Lee R., Kavnoudias H., Law M. Retrospective analysis and prospective validation of an AI-based software for intracranial haemorrhage detection at a high-volume trauma centre. Sci. Rep. 2022;12(1):19885. doi: 10.1038/s41598-022-24504-yZia A., Fletcher C., Bigwood S., Ratnakanthan P., Seah J., Lee R., Kavnoudias H., Law M. Retrospective analysis and prospective validation of an AI-based software for intracranial haemorrhage detection at a high-volume trauma centre. Sci. Rep. 2022;12(1):19885. doi: 10.1038/s41598-022-24504-ySchaller S., Wildberger J.E., Raupach R., Niethammer M., Klingenbeck-Regn K., Flohr T. Spatial domain filtering for fast modification of the tradeoff between image sharpness and pixel noise in computed tomography. IEEE Trans. Med. Imaging. 2003;22(7):846–853. doi: 10.1109/TMI.2003.815073Schaller S., Wildberger J.E., Raupach R., Niethammer M., Klingenbeck-Regn K., Flohr T. Spatial domain filtering for fast modification of the tradeoff between image sharpness and pixel noise in computed tomography. IEEE Trans. Med. Imaging. 2003;22(7):846–853. doi: 10.1109/TMI.2003.815073Wang Y., de Bock G.H., van Klaveren R.J., van Ooyen P., Tukker W., Zhao Y., Dorrius M.D., Proença R.V., Post W.J., Oudkerk M. Volumetric measurement of pulmonary nodules at low-dose chest CT: effect of reconstruction setting on measurement variability. Eur. Radiol. 2010;20(5):1180–1197. doi: 10.1007/s00330-009-1634-9Wang Y., de Bock G.H., van Klaveren R.J., van Ooyen P., Tukker W., Zhao Y., Dorrius M.D., Proença R.V., Post W.J., Oudkerk M. Volumetric measurement of pulmonary nodules at low-dose chest CT: effect of reconstruction setting on measurement variability. Eur. Radiol. 2010;20(5):1180–1197. doi: 10.1007/s00330-009-1634-9Behrendt F.F., Das M., Mahnken A.H., Kraus T., Bakai A., Stanzel S., Günther R.W., Wildberger J.E. Computer-aided measurements of pulmonary emphysema in chest multidetector-row spiral computed tomography: effect of image reconstruction parameters. J. Comput. Assist. Tomogr. 2008;32(6):899–904. doi: 10.1097/RCT.0b013e31815ade64Behrendt F.F., Das M., Mahnken A.H., Kraus T., Bakai A., Stanzel S., Günther R.W., Wildberger J.E. Computer-aided measurements of pulmonary emphysema in chest multidetector-row spiral computed tomography: effect of image reconstruction parameters. J. Comput. Assist. Tomogr. 2008;32(6):899–904. doi: 10.1097/RCT.0b013e31815ade64Yeo M., Tahayori B., Kok H.K., Maingard J., Kutaiba N., Russell J., Thijs V., Jhamb A., Chandra R.V., Brooks M., Barras C.D., Asadi H. Review of deep learning algorithms for the automatic detection of intracranial hemorrhages on computed tomography head imaging. J. Neurointerv. Surg. 2021;13(4):369–378. doi: 10.1136/neurintsurg-2020-017099Yeo M., Tahayori B., Kok H.K., Maingard J., Kutaiba N., Russell J., Thijs V., Jhamb A., Chandra R.V., Brooks M., Barras C.D., Asadi H. Review of deep learning algorithms for the automatic detection of intracranial hemorrhages on computed tomography head imaging. J. Neurointerv. Surg. 2021;13(4):369–378. doi: 10.1136/neurintsurg-2020-017099Khoruzhaya A.N., Bobrovskaya T.M., Kozlov D.V., Kuligovskiy D., Novik V.P., Arzamasov K.M., Kremneva E.I. Expanded brain Ct dataset for the development of AI systems for intracranial hemorrhage detection and classification. Data. 2024;9(2):30–36. doi: 10.3390/data9020030Khoruzhaya A.N., Bobrovskaya T.M., Kozlov D.V., Kuligovskiy D., Novik V.P., Arzamasov K.M., Kremneva E.I. Expanded brain Ct dataset for the development of AI systems for intracranial hemorrhage detection and classification. Data. 2024;9(2):30–36. doi: 10.3390/data9020030Cai J.C., Akkus Z., Philbrick K.A., Boonrod A., Hoodeshenas S., Weston A.D., Rouzrokh P., Conte G.M., Zeinoddini A., Vogelsang D.C., Huang Q., Erickson B.J. Fully automated segmentation of head ct neuroanatomy using deep learning. Radiol. Artif. Intell. 2020;2(5):e190183. doi: 10.1148/ryai.2020190183Cai J.C., Akkus Z., Philbrick K.A., Boonrod A., Hoodeshenas S., Weston A.D., Rouzrokh P., Conte G.M., Zeinoddini A., Vogelsang D.C., Huang Q., Erickson B.J. Fully automated segmentation of head ct neuroanatomy using deep learning. Radiol. Artif. Intell. 2020;2(5):e190183. doi: 10.1148/ryai.2020190183Kundisch A., Hönning A., Mutze S., Kreissl L., Spohn F., Lemcke J., Sitz M., Sparenberg P., Goelz L. Deep learning algorithm in detecting intracranial hemorrhages on emergency computed tomographies. PLoS One. 2021;16(11):e0260560. doi: 10.1371/journal.pone.0260560Kundisch A., Hönning A., Mutze S., Kreissl L., Spohn F., Lemcke J., Sitz M., Sparenberg P., Goelz L. Deep learning algorithm in detecting intracranial hemorrhages on emergency computed tomographies. PLoS One. 2021;16(11):e0260560. doi: 10.1371/journal.pone.0260560Schutte K., Brulport F., Harguem-Zayani S., Schiratti J.B., Ghermi R., Jehanno P., Jaeger A., Alamri T., Naccache R., Haddag-Miliani L., … Lassau N. An artificial intelligence model predicts the survival of solid tumour patients from imaging and clinical data. Eur. J. Cancer. 2022;174:90–98. doi: 10.1016/j.ejca.2022.06.055Schutte K., Brulport F., Harguem-Zayani S., Schiratti J.B., Ghermi R., Jehanno P., Jaeger A., Alamri T., Naccache R., Haddag-Miliani L., … Lassau N. An artificial intelligence model predicts the survival of solid tumour patients from imaging and clinical data. Eur. J. Cancer. 2022;174:90–98. doi: 10.1016/j.ejca.2022.06.055Эксперимент по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения в системе здравоохранения города Москвы. Режим доступа: https://mosmed.ai/ai/Experiment on the use of innovative technologies in the field of computer vision to analyse medical images and further application in the health care system of Moscow. Available at: https://mosmed.ai/ai/ [In Russian].van Asch C.J., Luitse M.J., Rinkel G.J., van der Tweel I., Algra A., Klijn C.J. Incidence, case fatality, and functional outcome of intracerebral haemorrhage over time, according to age, sex, and ethnic origin: a systematic review and meta-analysis. Lancet Neurol. 2010;9(2):167–176. doi: 10.1016/S1474-4422(09)70340-0van Asch C.J., Luitse M.J., Rinkel G.J., van der Tweel I., Algra A., Klijn C.J. Incidence, case fatality, and functional outcome of intracerebral haemorrhage over time, according to age, sex, and ethnic origin: a systematic review and meta-analysis. Lancet Neurol. 2010;9(2):167–176. doi: 10.1016/S1474-4422(09)70340-0McLouth J., Elstrott S., Chaibi Y., Quenet S., Chang P.D., Chow D.S., Soun J.E. Validation of a deep learning tool in the detection of intracranial hemorrhage and large vessel occlusion. Front Neurol. 2021;12:656112. doi: 10.3389/fneur.2021.656112McLouth J., Elstrott S., Chaibi Y., Quenet S., Chang P.D., Chow D.S., Soun J.E. Validation of a deep learning tool in the detection of intracranial hemorrhage and large vessel occlusion. Front Neurol. 2021;12:656112. doi: 10.3389/fneur.2021.656112

The authors declare that there are no conflicts of interest present.