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 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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».