LI-RADS Version 2018 Ancillary Features at MRI
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
The Liver Imaging Reporting and Data System (LI-RADS) standardizes performance of liver imaging in patients at risk for hepatocellular carcinoma (HCC) as well as interpretation and reporting of the results. Developed by experts in liver imaging and supported by the American College of Radiology, LI-RADS assigns to observations categories that reflect the relative probability of benignity, HCC, or other malignancy. While category assignment is based mainly on major imaging features, ancillary features may be applied to improve detection and characterization, increase confidence, or adjust LI-RADS categories. Ancillary features are classified as favoring malignancy in general, HCC in particular, or benignity. Those favoring malignancy in general or HCC in particular may be used to upgrade by a maximum of one category up to LR-4; those favoring benignity may be used to downgrade by a maximum of one category. If there are conflicting ancillary features (ie, one or more favoring malignancy and one or more favoring benignity), the category should not be adjusted. Ancillary features may be seen at diagnostic CT, MRI performed with extracellular agents, or MRI performed with hepatobiliary agents, with the exception of one ancillary feature assessed at US. This article focuses on LI-RADS version 2018 ancillary features seen at MRI. Specific topics include rules for ancillary feature application; definitions, rationale, and illustrations with clinical MRI examples; summary of evidence and diagnostic performance; pitfalls; and future directions. ©RSNA, 2018
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle