Diagnostic value of a power Doppler ultrasound-based malignancy index for differentiating malignant and benign solid breast lesions
Notice bibliographique
Résumé
BACKGROUND: Power Doppler ultrasound (PDUS) can provide useful information regarding the vascularity of breast lesions. The aim of this study was to investigate the diagnostic performance of a new PDUS-driven malignancy index in differentiating between malignant and benign causes of solid breast lesions. MATERIALS AND METHODS: Patients with solid breast lesions were enrolled consecutively and evaluated first by PDUS and subsequently by histopathologic assessment after undergoing surgical biopsy. A custom-made software was used to extract data from images for calculating malignancy index formula. RESULTS: A total of 87 patients with solid breast lesions were enrolled. Histopathologic evaluation identified 49 patients as benign and 38 patients as malignant. Malignancy index was significantly higher in the malignant group as compared to benign tumors (6.31 vs 0.30,P < 0.001). Area under the receiver operating characteristics (ROC) curve (AUC) was 0.98 (95% confidence interval (CI) 0.95-1.00). According to the ROC curve analysis, the cut-off point of 1.23 for malignancy index had a sensitivity and specificity of 94.7% (95% CI 82.2-99.3) and 94.0% (95% CI 83.1-98.7), respectively. CONCLUSION: Comparing with the histopathologic evaluation as the gold standard for diagnosing breast lesions, PDUS-driven malignancy index was shown to have a high discriminative performance in identifying malignant lesions with high sensitivity, specificity, and diagnostic accuracy. The noninvasive nature of PDUS is an important advantage that could prevent unnecessary biopsies.
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) | 0,001 | 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 ».