LI-RADS for MR Imaging Diagnosis of Hepatocellular Carcinoma: Performance of Major and Ancillary Features
Notice bibliographique
Résumé
Purpose To evaluate the performance of major features, ancillary features, and categories of Liver Imaging Reporting and Data System (LI-RADS) version 2014 at magnetic resonance (MR) imaging for the diagnosis of hepatocellular carcinoma (HCC). Materials and Methods This retrospective institutional review board-approved study included patients with liver MR imaging and at least one pathologically proved lesion. Between 2004 and 2016, 102 patients (275 observations including 113 HCCs) met inclusion criteria. Two radiologists independently assessed major and ancillary imaging features for each liver observation and assigned a LI-RADS category. Per-lesion estimates of diagnostic performance of major features, ancillary features, and LI-RADS categories were assessed by using generalized estimating equation models. Results Major features (arterial phase hyperenhancement, washout, capsule, and threshold growth) had a sensitivity of 88.5%, 60.6%, 32.9%, and 41.6%, and a specificity of 18.6%, 84.8%, 98.8%, and 83.2% for HCC, respectively. Ancillary features (mild-moderate T2 hyperintensity, restricted diffusion, mosaic architecture, intralesional fat, lesional fat sparing, blood products, and subthreshold growth) had a sensitivity of 62.2%, 54.8%, 9.9%, 30.9%, 23.1%, 2.8%, and 48.3%, and a specificity of 79.4%, 90.6%, 99.4%, 94.2%, 83.1%, 99.3%, and 91.4% for HCC, respectively. The LR-5 or LR-5 V categories had a per-lesion sensitivity of 50.8% and a specificity of 95.8% for HCC, respectively. The LR-4, LR-5, or LR-5 V categories (determined by using major features only vs combination of major and ancillary features) had a per-lesion sensitivity of 75.9% and 87.9% and a per-lesion specificity of 87.5% and 86.2%, respectively. Conclusion The use of ancillary features in combination with major features increases the sensitivity while preserving a high specificity for the diagnosis of HCC.
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 | 0,014 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».