PREOPERATIVE MAGNETIC RESONANCE IMAGING DIAGNOSTIC FEATURES OF UTERINE LEIOMYOSARCOMAS: A SYSTEMATIC REVIEW
Notice bibliographique
Résumé
OBJECTIVES: There are no current established pathognomonic diagnostic features for uterine leiomyosarcomas in the pre- or perioperative setting. Recent inadvertent upstaging of this rare malignancy during laparoscopic morcellation of a presumed fibroid has prompted widespread debate among clinicians regarding the safety of current surgical techniques for management of fibroids. This study aims to conduct a systematic review investigating significant diagnostic features in magnetic resonance imaging (MRI) of uterine leiomyosarcomas. METHODS: A comprehensive database search was conducted guided by PRISMA recommendations for peer-reviewed publications to November 2017. Parameters available in MRI were compared for reliability and accuracy of diagnosis of leiomyosarcomas. A decision tree algorithm classifier model was constructed to investigate whether T1 and T2 MRI signal intensities are useful indicators. RESULTS: Nine eligible studies were identified for analysis. There appears to be a significant relationship between histopathological type and T1 and T2 intensity signals (p < .05). A decision tree model analyzing T1 and T2 signal intensity readings supports this trend, with a diagnostic specificity of 77.78 percent for uterine leiomyosarcomas. The apparent diffusion coefficient (ADC) values were not observed to have a significant relationship with tumor pathology (p = .18). CONCLUSIONS: Various studies have investigated pre- and perioperative techniques in differentiating uterine leiomyosarcoma from benign fibroids. Given the rarity of the malignancy and lack of pathognomonic diagnostic parameters, there is difficulty in establishing definitive criteria. A decision tree model is proposed to aid diagnosis based on MRI signal intensities.
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 | 0,004 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,011 | 0,010 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».