A prospective cohort study to assess the role of FDG-PET in differentiating benign and malignant follicular neoplasms
Notice bibliographique
Résumé
BACKGROUND: -glucose (FDG) positron emission tomography/computed tomography (PET/CT) in predicting the risk of malignancy in follicular/Hürthle cell neoplasms. MATERIALS AND METHODS: Fifty thyroid nodules showing follicular/Hürthle cell neoplasm on prior ultrasonography guided fine needle aspiration cytology (FNAC) were recruited into this study. A FDG-PET/CT scan, performed for neck and superior mediastinum, was reported by a single observer, blinded to the surgical and pathology findings. Receiver operating characteristic (ROC) curve analysis of maximum standardized uptake value (SUVmax) and the area under the curve (AUROC) were used to assess discrimination between benign from malignant nodules. Youden index was used to identify the optimal cut-off SUVmax for diagnosing malignancy. Sensitivity, specificity, predictive values and overall accuracy were used as measures of performance. RESULTS: Our study group comprises of 31 benign and 19 malignant thyroid nodules. After excluding all Hürthle cell adenomas, the AUROC for discriminating benign and malignant non-Hürthle cell neoplasms was 0.79 (95% CI, 0.64-0.94; p = 0.001); with SUVmax of 3.25 as the best cut-off for the purpose. PET/CT had sensitivity of 79% (95% CI, 54-93%), specificity of 83% (95% CI, 60-94%), positive predictive value (PPV) of 79% (95% CI, 54-93%), and negative predictive value (NPV) of 83% (95% CI, 60-94%). The overall accuracy was 81%. CONCLUSIONS: FDG-PET/CT can help in differentiating benign and malignant non-Hürthle cell neoplasms. SUVmax of 3.25 was found to be the best for identifying malignant non-Hürthle cell follicular neoplasms.
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) | 0,000 | 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 ».