Impact of Point Spread Function Reconstruction on Thoracic Lymph Node Staging With 18F-FDG PET/CT in Non–Small Cell Lung Cancer
Notice bibliographique
Résumé
AIM: The aim of the present study was to evaluate the impact of point spread function (PSF) reconstruction on quantitative values and diagnostic accuracy of FDG PET/CT for nodal staging in non-small cell lung cancer. PATIENTS AND METHODS: Fifty-eight consecutive PET/CT examinations were reconstructed with both ordered subset expectation maximization (OSEM) and PSF algorithms. Two readers independently performed a randomized blinded review of PET/CT examinations and gave a nodal status (N0, N1, N2, or N3) to each PET data set. When discordant, a consensus was reached with a third reader. Sensitivity, specificity, positive and negative predictive values (NPV), and positive and negative likelihood ratios (LRs) were assessed and compared using a McNemar test. All PET data sets were then independently analyzed to extract quantitative PET values in 208 nodes and compare them using Bland-Altman analysis. RESULTS: Bland-Altman analysis showed that, on average, PSF reconstruction increased SUVmax, SUVmean, and node/background ratios by 48%, 28%, and 27%, respectively. This increase was more marked for nodes less than 1 cm than for nodes 1 cm or greater (P < 0.0001 for SUVmax, SUVmean, and node/background ratios). Point spread function PET had higher sensitivity (97%) and NPV (92%) than OSEM PET (78% and 57%, respectively; P = 0.01 and P = 0.04, respectively). Negative LR was 0.04 for PSF PET and 0.31 for OSEM PET. CONCLUSIONS: By improving activity recovery, especially for nonenlarged nodes, PSF significantly improves the sensitivity, NPV, and negative LR of FDG-PET for nodal staging in non-small cell lung cancer. These data suggest that preoperative invasive nodal staging may be omitted in the case of a negative PSF FDG-PET/CT.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».