Cause determination of missed lung nodules and impact of reader training and education: Simulation study with nodule insertion software
Notice bibliographique
Résumé
BACKGROUND: There are "blind spots" on chest computed tomography (CT) where pulmonary nodules can easily be overlooked. The number of missed pulmonary nodules can be minimized by instituting a training program with particular focus on the depiction of nodules at blind spots. PURPOSE: The purpose of this study was to assess the variation in lung nodule detection in chest CT based on location, attenuation characteristics, and reader experience. MATERIALS AND METHODS: costochondral junction, branching vessels, paramediastinal lungs, lung apices, juxta-diaphragm, and middle and outer thirds of the lungs. Two residents and two chest imaging clinical fellows evaluated the CT images twice, over a 4-month interval. Before the second reading session, the readers were trained and made aware of the potential blind spots. Chi-square test was used to assess statistical significance. RESULTS: Pretraining session: Fellows detected significantly more part-solid ground-glass nodules compared to residents (P = 0.008). A substantial number of nodules adjacent to branching vessels and posterior mediastinum were missed. Posttraining session: There was a significant increase in detectability independent of attenuation and location of nodules for all readers (P < 0.0008). CONCLUSION: Dedicated chest CT training improves detection of lung nodules, especially the part-solid ground-glass nodules. Detection of nodules adjacent to branching vessels and the posterior mediastinal lungs is difficult even for fellowship-trained radiologists.
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 | 0,006 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».