Using Quantitative Computed Tomographic Imaging to Understand Chronic Obstructive Pulmonary Disease and Fibrotic Interstitial Lung Disease
Notice bibliographique
Résumé
Computed tomography (CT) is commonly used in the evaluation and management of patients with diffuse lung pathologies, including chronic obstructive pulmonary disease (COPD) and fibrotic interstitial lung disease (ILD). In clinical practice, the qualitative (visual) assessment of CT images by a radiologist provides insight into the diagnosis of diffuse lung disease, estimates disease severity, and supports the identification of complications. Quantitative CT (qCT) is an emerging technique that provides some advantages over qualitative assessment. qCT can allow early and accurate detection of emphysema and airway disease, as well as aiding the evaluation of disease burden in both COPD and ILD. This approach is starting to be used as a surrogate biomarker in clinical trials to assess response to therapy. Artificial intelligence techniques have recently been incorporated into qCT, with such rapid evolution that it is currently difficult to determine the exact role it will eventually play in evaluating patients with COPD or pulmonary fibrosis. This article reviews the current state of the art for qualitative and qCT assessment of both COPD and fibrotic ILD. Current areas of controversy and limitations of these techniques are discussed, along with the potential future role of artificial intelligence. Recommendations are provided with regard to the current use of these techniques in the management of patients with diffuse lung disease.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».