Development of a risk assessment model to differentiate malignant and benign musculoskeletal soft‐tissue masses on magnetic resonance imaging
Notice bibliographique
Résumé
INTRODUCTION: This study aimed to develop a risk stratification model to differentiate benign and malignant MRI-imaged musculoskeletal soft-tissue tumours, informing decisions surrounding biopsy and follow-up imaging. METHODS: Imaging of patients who underwent MRI and subsequent biopsy to evaluate a soft-tissue mass was retrospectively reviewed. Features analysed included patient age; tumour size; shape; margins; enhancement pattern; signal intensity pattern; deep fascia, neurovascular bundle, bone and joint involvement; and the presence of necrosis, haemorrhage, oedema and intralesional fat. Univariate comparisons, by final histopathological status, employed t-tests and chi-square tests, followed by simple and multiple logistic regressions. Variables included in the final multiple regression model were used to define a three-level risk stratification strategy. RESULTS: One-hundred and ten patients were included in the analysis. Univariate relationships were identified between malignancy and age, tumour size, deep fascia involvement, neurovascular involvement, necrosis, haemorrhage, oedema and heterogeneous enhancement (all P < 0.01). Final multiple regression modelling included size, enhancement and oedema. Thirty of 40 (75%) tumours >5 cm with surrounding oedema ('high risk') were malignant, 13 of 47 (28%) tumours with one or more of tumour size >5 cm, surrounding oedema or heterogeneous enhancement ('moderate risk') were malignant, and none of the 16 tumours ≤5 cm with the absence of surrounding oedema and heterogeneous enhancement ('low risk') were malignant. CONCLUSIONS: A model including tumour size, enhancement and oedema has potential to stratify soft-tissue tumours into high-, intermediate- and low-risk categories; this may inform decisions surrounding biopsy and follow-up imaging.
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 | 0,001 | 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 ».