The Lung Reporting and Data System (LU-RADS): A Proposal for Computed Tomography Screening
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
Despite the positive outcome of the recent randomized trial of computed tomography (CT) screening for lung cancer, substantial implementation challenges remain, including the clear reporting of relative risk and suggested workup of screen-detected nodules. Based on current literature, we propose a 6-level Lung-Reporting and Data System (LU-RADS) that classifies screening CTs by the nodule with the highest malignancy risk. As the LU-RADS level increases, the risk of malignancy increases. The LU-RADS level is linked directly to suggested follow-up pathways. Compared with current narrative reporting, this structure should improve communication with patients and clinicians, and provide a data collection framework to facilitate screening program evaluation and radiologist training. In overview, category 1 includes CTs with no nodules and returns the subject to routine screening. Category 2 scans harbor minimal risk, including <5 mm, perifissural, or long-term stable nodules that require no further workup before the next routine screening CT. Category 3 scans contain indeterminate nodules and require CT follow up with the interval dependent on nodule size (small [5-9 mm] or large [≥ 10 mm] and possibly transient). Category 4 scans are suspicious and are subdivided into 4A, low risk of malignancy; 4B, likely low-grade adenocarcinoma; and 4C, likely malignant. The 4B and 4C nodules have a high likelihood of neoplasm simply based on screening CT features, even if positron emission tomography, needle biopsy, and/or bronchoscopy are negative. Category 5 nodules demonstrate frankly malignant behavior on screening CT, and category 6 scans contain tissue-proven malignancies.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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