Multimodal Fusion of Non-Contrast CT and Clinical Data for Admission Stroke Severity Classification
A Multisite Evaluation in Indonesian Cohorts
Ananta Tri Wijatmiko 34891919
Supervised by Dr. Vanya Valindria
SCANNINGANIMATION PAUSED
Original poster visual · lesion regions highlighted in colour
283patients with acute ischemic stroke
3cohorts: RSCM-1, RSCM-2, RSPON
2hospitals in Indonesia
Research focusStroke severity classification at admission
01 / BACKGROUND
Can combined data help explain stroke severity?
quantifies stroke severity but requires a trained assessor. is available in stroke care, while early ischemic changes can be subtle.
This study tests whether imaging and clinical information complement each other in predicting four categories, and whether the benefit persists in a cohort unseen during training.
01
Compare multimodal models with single-modality models.
02
Evaluate cross-cohort generalisation using .
Thesis §1–3, pp. 26–33
02 / KEY FINDINGS
The benefit of fusion depends on the cohort.
HOW TO READ THE RESULTS
Internal performance is an . An advantage in one cohort does not mean the model will perform equally well in another hospital.
03 / LIMITATIONS
Findings that need further validation
Small, imbalanced cohorts; two cohorts come from the same hospital.
Three shared clinical variables: age, hypertension, and diabetes.
One seed (42), three folds, and dependence on lesion annotations.
Severe-class recall for feature-level concat: 0.00–0.22, with 2–9 severe patients per cohort.
04 / FUTURE WORK
From annotation to automation
Validate with multiple seeds and additional cohorts.
Test model-selection strategies with cohort-specific tuning.
Evaluate clinically thresholded targets and integrate .
Replace annotation-dependent slice selection and feature extraction with automated lesion segmentation.
Thesis §5.8–6, pp. 48–49
DATA / THREE INDONESIAN COHORTS
The patients behind this study.
283 patients from RSCM and RSPON. Select a cohort to explore class composition and clinical context.
NIHSS-in distribution
Number of patients
No patient in any cohort had NIHSS 0. The no-symptoms category was excluded.
Thesis Table 1, pp. 33
Three shared clinical variables
AgeHypertensionDiabetes
Only variables available across cohorts are used for comparable evaluation. NIHSS is the target and is excluded from the predictors.
3 cohorts ≠ 3 hospitals
RSCM-1 and RSCM-2 come from the same institution. LODO rotations do not represent validation across three independent institutions.
All-cohort tableThesis §3.2–3.3, pp. 31–32
Data governance
Data were collected retrospectively, anonymised, and stored with restricted access. Ethics approvals: RSCM 25-06-0864; RSPON DP.04.03/D.XXIII.9/197/2025. The patient datasets are private.
Thesis §3.6 and Appendix C
METHODS / FROM IMAGING TO EVALUATION
Follow the journey of each modality.
Select a stage or fusion mechanism, or play the animations to follow the research workflow.
RESULTS / READ THE NUMBERS IN CONTEXT
Internal performance and cross-cohort evaluation.
is the primary metric. Select an evaluation to explore the values, model configurations, and interpretation limits.
GLOSSARY / TERMS USED IN THE THESIS
Technical terms, explained simply.
Definitions follow the use of each term in this study. Open a term to read its meaning and context.
Fusi Multimodal CT Tanpa Kontras dan Data Klinis untuk Klasifikasi Keparahan Stroke Saat Masuk Rumah Sakit
Evaluasi Multisitus pada Kohort Indonesia
Ananta Tri Wijatmiko 34891919
Pembimbing: Dr. Vanya Valindria
PEMINDAIANANIMASI DIJEDA
Visual dari poster final · area lesi ditandai warna
283pasien stroke iskemik akut
3kohort: RSCM-1, RSCM-2, RSPON
2rumah sakit di Indonesia
Fokus penelitianKlasifikasi keparahan saat masuk rumah sakit
01 / LATAR BELAKANG
Dapatkah gabungan data membantu memahami keparahan stroke?
mengukur keparahan stroke, tetapi memerlukan pemeriksa terlatih. tersedia dalam layanan stroke, sementara perubahan iskemik awal dapat tampak halus.
Penelitian ini menguji apakah citra dan informasi klinis saling melengkapi untuk memprediksi empat kategori , dan apakah manfaat tersebut bertahan pada kohort yang belum dilihat model.
01
Bandingkan model multimodal dengan model satu modalitas.
02
Uji generalisasi lintas kohort melalui .
Tesis §1–3, hlm. 26–33
02 / TEMUAN UTAMA
Manfaat fusi bergantung pada kohort.
CARA MEMBACA HASIL
Hasil internal merupakan . Keunggulan pada satu kohort tidak langsung berarti model bekerja sama baik di rumah sakit lain.
03 / BATAS PENELITIAN
Hasil yang masih perlu diuji lebih jauh
Kohort kecil dan tidak seimbang; dua kohort berasal dari rumah sakit yang sama.
Tiga variabel klinis bersama: usia, hipertensi, dan diabetes.
Satu seed (42), tiga fold, dan ketergantungan pada anotasi lesi.
Recall severe pada feature-level concat: 0.00–0.22, dengan 2–9 pasien severe per kohort.
04 / ARAH SELANJUTNYA
Dari anotasi menuju otomasi
Validasi dengan beberapa seed dan kohort tambahan.
Uji strategi pemilihan model dengan penyesuaian per kohort.
Evaluasi target dengan ambang klinis dan integrasi .
Ganti pemilihan irisan serta ekstraksi fitur berbasis anotasi dengan segmentasi lesi otomatis.
Tesis §5.8–6, hlm. 48–49
DATA / TIGA KOHORT INDONESIA
Pasien yang membentuk penelitian ini.
283 pasien dari RSCM dan RSPON. Pilih kohort untuk melihat komposisi kelas dan konteks datanya.
Distribusi NIHSS-in
Jumlah pasien
Tidak ada skor NIHSS 0 pada ketiga kohort. Kategori tanpa gejala tidak disertakan.
Tesis Tabel 1, hlm. 33
Tiga variabel klinis bersama
UsiaHipertensiDiabetes
Hanya variabel yang tersedia lintas kohort dipakai untuk evaluasi yang dapat dibandingkan. NIHSS merupakan target, sehingga dikeluarkan dari prediktor.
3 kohort ≠ 3 rumah sakit
RSCM-1 dan RSCM-2 berasal dari institusi yang sama. Rotasi LODO tidak setara dengan validasi pada tiga institusi independen.
Tabel seluruh kohortTesis §3.2–3.3, hlm. 31–32
Tata kelola data
Data dikumpulkan secara retrospektif, dianonimkan, dan disimpan dengan akses terbatas. Persetujuan etik: RSCM 25-06-0864; RSPON DP.04.03/D.XXIII.9/197/2025. Dataset pasien bersifat privat.
Tesis §3.6 dan Appendix C
METODE / DARI CITRA KE EVALUASI
Ikuti perjalanan setiap modalitas.
Klik tahap, pilih mekanisme fusi, atau jalankan animasi untuk menelusuri alur penelitian.
HASIL / BACA ANGKA DALAM KONTEKSNYA
Performa internal dan uji lintas kohort.
adalah metrik utama. Pilih evaluasi untuk melihat angka, konfigurasi model, dan batas interpretasinya.
GLOSARIUM / ISTILAH DALAM TESIS
Istilah teknis, dijelaskan dengan sederhana.
Penjelasan mengikuti penggunaan istilah dalam penelitian ini. Buka istilah untuk membaca makna dan konteksnya.
