Can Quantitative CT Texture Analysis be Used to Differentiate Fat-poor Renal Angiomyolipoma from Renal Cell Carcinoma on Unenhanced CT Images?
Notice bibliographique
Résumé
PURPOSE: To determine the accuracy of texture analysis to differentiate fat-poor angiomyolipoma (fp-AML) from renal cell carcinoma (RCC) on unenhanced computed tomography (CT) images. MATERIALS AND METHODS: In this institutional review board-approved retrospective case-control study, patients with AML and RCC were identified from the pathology database: there were 16 patients with fp-AML (no visible fat at unenhanced CT) and 84 patients with RCC. Axial unenhanced CT images were contoured manually by two independent analysts. Texture analysis was performed for each lesion, and reproducibility was assessed. Texture features related to the gray-level histogram, gray-level co-occurrence, and run-length matrix statistics were evaluated. The most discriminative features were used to generate support vector machine (SVM) classifiers. Diagnostic accuracy of textural features was assessed and 10-fold cross validation was performed. Unenhanced CT images for each patient were independently reviewed by two blinded radiologists who subjectively graded lesion heterogeneity on a five-point scale. Differences in area under the receiver operating characteristic curve (AUC) between subjective heterogeneity ratings and textural features were evaluated by using the DeLong method. RESULTS: There was lower lesion homogeneity and higher lesion entropy in RCCs (P ≤ .01). A model incorporating several texture features resulted in an AUC of 0.89 ± 0.04. The average SVM accuracy of textural features ranged from 83% to 91% (after 10-fold cross validation). An optimal subjective heterogeneity rating of 2 or higher was identified as a predictor of RCC for both readers, with no significant difference in AUC between readers (P = .06). Each of the three textural-based classifiers was more accurate than either radiologists' subjective heterogeneity ratings for the models incorporating a subset of the top three textural features (difference in AUC between textural features and subjective visual heterogeneity, 0.25; 95% confidence interval: 0.02, 0.47; P = .03). CONCLUSION: CT texture analysis can be used to accurately differentiate fp-AML from RCC on unenhanced CT images.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».