Relationship of computed tomography perfusion and positron emission tomography to tumour progression in malignant glioma
Notice bibliographique
Résumé
IntroductionThis study aimed to explore the potential for computed tomography (CT) perfusion and 18-Fluorodeoxyglucose positron emission tomography (FDG-PET) in predicting sites of future progressive tumour on a voxel-by-voxel basis after radiotherapy and chemotherapy. MethodsTen patients underwent pre-radiotherapy magnetic resonance (MR), FDG-PET and CT perfusion near the end of radiotherapy and repeated post-radiotherapy follow-up MR scans. The relationships between these images and tumour progression were assessed using logistic regression. Cross-validation with receiver operating characteristic (ROC) analysis was used to assess the value of these images in predicting sites of tumour progression. ResultsPre-radiotherapy MR-defined gross tumour; near-end-of-radiotherapy CT-defined enhancing lesion; CT perfusion blood flow (BF), blood volume (BV) and permeability-surface area (PS) product; FDG-PET standard uptake value (SUV); and SUV:BF showed significant associations with tumour progression on follow-up MR imaging (P < 0.0001). The mean sensitivity (±standard deviation), specificity and area under the ROC curve (AUC) of PS were 0.64 ± 0.15, 0.74 ± 0.07 and 0.72 ± 0.12 respectively. This mean AUC was higher than that of the pre-radiotherapy MR-defined gross tumour and near-end-of-radiotherapy CT-defined enhancing lesion (both AUCs = 0.6 ± 0.1, P ≤ 0.03). The multivariate model using BF, BV, PS and SUV had a mean AUC of 0.8 ± 0.1, but this was not significantly higher than the PS only model. ConclusionPS is the single best predictor of tumour progression when compared to other parameters, but voxel-based prediction based on logistic regression had modest sensitivity and specificity.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».