Role of quantitative computed tomography texture analysis in the differentiation of primary lung cancer and granulomatous nodules.
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
BACKGROUND: Texture analysis is a computer tool that enables quantification of gray-level patterns, pixel interrelationships, and spectral properties of an image. It can enhance visual methods of image analysis. Primary lung cancer and granulomatous nodules have identical CT imaging features. The purpose of this study was to assess the sensitivity and specificity of CT texture analysis in differentiating lung cancer and granulomas. METHODS: This retrospective study evaluated 55 patients with primary lung cancer and granulomatous nodules who had contrast-enhanced (CE) and/or non-contrast-enhanced (NCE) CT within 3 months of biopsy. Textural features were extracted from 61 nodules. Mann-Whitney U tests were used to compare values for nodules. Receiver operating characteristic (ROC) curves were constructed and the area under the curve (AUC) calculated with histopathology as outcome. Combinations of features were entered as predictors in logistic regression models and optimal threshold criteria were used to estimate sensitivity and specificity. RESULTS: The model generated by sum of squares, sum difference, and sum entropy features for NCE CT yielded 88% sensitivity and 92% specificity (AUC =0.90±0.06, P<0.0001). For nodules with fluorodeoxyglucose positron emission tomography (FDG-PET)/CT, sensitivity for detection of lung cancer was 79.2% (CI: 57.8-92.9%), specificity was 38.5% (CI: 13.9-68.4%) and accuracy was 64.8%. CONCLUSIONS: Quantitative CT texture analysis has the potential to differentiate primary lung cancer and granulomatous lesions.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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