Classifying CT/MR findings in patients with suspicion of hepatocellular carcinoma: Comparison of liver imaging reporting and data system and criteria‐free Likert scale reporting models
Notice bibliographique
Résumé
PURPOSE: To compare the Liver Imaging Reporting and Data System (LI-RADS) and a criteria-free Likert scale (LS) reporting models for classifying computed tomography/magnetic resonance imaging (CT/MR) findings of suspicious hepatocellular carcinoma (HCC). MATERIALS AND METHODS: Imaging data of 281 hepatic nodules in 203 patients were retrospectively included. Imaging characteristics including diameter, arterial hyperenhancement, washout, and capsule were reviewed independently by two groups of readers using LI-RADS and LS (range, score 1-5). LS is primarily based on the overall impression of image findings without using fixed criteria. Interreader agreement (IRA), intraclass agreement (ICA), and diagnostic performance were determined by Fleiss, Cohen's kappa (κ), and logistic regression, respectively. RESULTS: There were 167 contrast-enhanced CT (CECT) versus 114 MR data. Overall, IRA was moderate (κ = 0.47, 0.52); IRA was moderate-to-good for arterial hyperenhancement, washout, and capsule (κ = 0.56-0.69); excellent for diameter and tumor embolus (κ = 0.99). Overall, ICA between LI-RADS and LS was moderate (κ = 0.44-0.50); ICA was good for scores 1-2 (κ = 0.71-0.90), moderate for scores 3 and 5 (κ = 0.41-0.52), but very poor for score 4 (κ = 0.11-0.19). LI-RADS produced significantly lower accuracy (78.6% vs. 87.2%) and sensitivity (72.1% vs. 92.8%), higher specificity (97.3% vs. 71.2%) and positive likelihood ratio (+LR: 26.32 vs. 3.23) in diagnosis of HCC. CECT produced relatively low IRA, ICA, and diagnostic ability against MR. CONCLUSION: There were substantial variations in liver observations between LI-RADS and LS. Further study is needed to investigate ICA between CECT and MR.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».