Sonography of Postexcision Specimens of Nonpalpable Breast Lesions: Value, Limitations, and Description of a Method
Notice bibliographique
Résumé
OBJECTIVE: The objective of our study was to retrospectively review our experience regarding the value of sonography in identifying a nonpalpable mass within a surgically excised specimen and in assessing the surgical margins in cases of malignancy. MATERIALS AND METHODS: One hundred four lumpectomies were performed in 99 consecutive patients with 131 nonpalpable breast lesions after sonographically guided needle localization. All 104 surgical specimens were scanned on sonography, and 86 specimen radiographs were obtained. Visualization of the lesion on sonography was compared with specimen radiographs and histologic findings. Sonographic margin status was classified as negative (shortest distance between tumor and specimen margin, > 0.2 cm) or positive (shortest distance between tumor and specimen margin, 0.2 cm) and was compared with pathology results. RESULTS: Specimen sonography showed 95.4% (125/131) of the excised abnormalities; nonfatty background and a lesion size of greater than 0.5 cm contributed significantly to the success of specimen sonography. Four of six lesions missed on sonography were identified on specimen radiography. Among 81 malignant specimens, sonography identified 38 specimens with positive margins and 43 with negative margins. Pathologic examination revealed eight false-positive and 10 false-negative results (21% false-positive rate and 23.2% false-negative rate). CONCLUSION: Specimen sonography is an effective procedure for identifying the presence of the lesion within the specimen; however, it is of limited value in cases of small hypoechoic lesions against a fatty background. Assessment of margins is limited by both false-positive and false-negative results.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».