Interobserver agreement of a probabilistic approach to reporting breast fine‐needle aspirations on ThinPrep®
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We have previously demonstrated the accuracy and reproducibility of a probabilistic/categorical approach for reporting breast fine-needle aspiration (FNA). However, the interobserver agreement in the application of this approach has not been assessed. Twenty breast FNA cases (each on one ThinPrep slide) were pulled from the cytology files of Beth Israel Deaconess Medical Center. The cases included benign epithelial proliferative lesions (6), DCIS (4), and infiltrating carcinoma (10), as shown by subsequent histology. Six pathologists with 14-25 yr of experience in interpreting breast FNA and 0-8 yr of experience with ThinPrep preparations rendered diagnoses according to the probabilistic approach. The kappa statistic for the unremarkable/proliferative, atypical, suspicious, and positive categories were 0.64, 0.08, 0.43, and 0.75, respectively (P < 0.001 for all except for the atypical category [P = 0.09]). Spearman's rho correlating the individual pathologist's diagnosis and the histologic diagnosis ranged from 0.51 (P = 0.02) to 0.78 (P < 0.0001). This was not correlated with the pathologists' years of experience interpreting breast FNA (P = 1.0) or with their years using ThinPrep preparations for breast FNA (P = 0.96). In conclusion, the interobserver agreement was excellent for the positive category in the probabilistic approach, poor for the atypical category, and fair to good for the other categories. The specific level of experience interpreting breast FNA or using ThinPrep among experienced pathologists did not seem to influence their accuracy in reporting the cases in our study.
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.
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 | 0,000 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle