Can magnetic resonance spectroscopy differentiate malignant and benign causes of lymphadenopathy? An in-vitro approach
Notice bibliographique
Résumé
Lymphadenopathy continues to be a common problem to radiologists and treating physicians because of the difficulty in confidently categorizing a node as being benign or malignant using standard diagnostic techniques. The goal of our research was to assess whether magnetic resonance (MR) spectroscopy contains the necessary information to allow differentiation of benign from malignant lymph nodes in an in-vitro approach using a modern pattern recognition method. Tissue samples from a tissue bank were analyzed on a nuclear magnetic resonance (NMR) spectrometer. A total of 69 samples were studied. The samples included a wide variety of malignant and benign etiologies. Using 45 samples, we initially created a model which was able to predict if a certain spectrum originates from benign or malignant lymph nodes using a pattern-recognition technique which takes into account the entire magnetic spectrum rather than single peaks alone. The remaining 24 samples were blindly loaded in the model to assess its performance. We obtained an excellent accuracy in differentiating benign and malignant lymphadenopathy using the model. It correctly differentiated as malignant or benign, in a blinded fashion, all of the malignant samples (13 of 13) and 10 out of the 11 benign samples. We thus showed that magnetic spectroscopy is able to differentiate benign from malignant causes of lymphadenopathy. Additional experiments were performed to verify that the differentiating abilities of our model were not due to differential tissue decay in between benign and malignant tissues. If future experiments demonstrate that a similar approach could be executed with standard MR imaging, this technique could be useful as a problem-solving tool when assessing lymphadenopathy in general. Alternatively, our in-vitro technique could also be useful to pathologists faced with indeterminate pathologies of the lymph nodes after validating our results with a larger sample size.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».