Combining Autofluorescence and Narrow Band Imaging With Image Analysis in the Evaluation of Preneoplastic Lesions in the Bronchus and Larynx
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Autofluorescence (AF) techniques improve the diagnostic yield of white light inspection for preneoplastic lesions in the bronchus and head and neck region. Although highly sensitive, AF has poor specificity, particularly in situations where there have been earlier biopsies or treatments such as radiotherapy. Narrow band imaging (NBI) is a newer imaging technique that enhances the early abnormal angiogenesis seen in preneoplastic lesions. NBI has higher specificity when compared with AF. We aimed to combine these imaging modalities, using AF as an effective screening tool and NBI to confirm AF findings. We also used computer-assisted image analysis techniques to give objective confirmation to our visual inspection. METHODS: Three patients were selected for image analysis of their NBI images using the L*a*b* color scale in manually drawn regions of interest of biopsy-confirmed areas. Each case compared pathology with a different benign condition: normal tissue, postbiopsy effect, and postradiation therapy change. Patients had white light followed by AF inspection. Abnormal areas of AF were cross-examined with NBI. RESULTS: NBI clearly showed dysplasia and carcinoma in situ. It also confirmed abnormal fluorescence because of earlier biopsies and radiation therapy. Analysis of the L*a*b* color space scale in each case showed segmentation between pathology and the benign tissue. CONCLUSIONS: There may be additive and discriminatory benefits of NBI after AF inspection. Further study with computer-assisted color segmentation techniques and image analysis is required before optical diagnosis can become a reality in bronchoscopic techniques in the future.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».