A novel computerised quantification of thyroid vascularity in the differentiation of malignant and benign thyroid nodules
Notice bibliographique
Résumé
PURPOSE: Only five percent of thyroid nodules are malignant. It is important to find reliable and at the same time non-invasive methods to identify high-risk nodules. The aim of this study was to determine the diagnostic validity of a morphologic feature-oriented approach of ultrasound study for the identification of malignant thyroid nodules. MATERIAL AND METHODS: Seventy-one thyroid nodules in 71 consecutive patients were evaluated with both ultrasonography (US) and US-assisted fine needle aspiration biopsy (FNAB). Thyroid grey-scale and power Doppler US were performed, and a Windows-based software was designed to process power Doppler US (PDUS) images that were recorded directly by the US device. We provided a histogram graph of coloured pixels and calculated the Malignancy Index to identify the probability of malignancy for each thyroid nodule. RESULTS: Thirty-six nodules (50.7%) were determined to be malignant in FNAB. Area under the receiver operating curve was 0.91 (95% CI: 0.85-0.98) for PDUS-based malignancy index in differentiating malignant thyroid nodules from benign ones. The best cut-off point for malignancy index was determined to be 0.092, with a sensitivity of 86.1% and specificity of 80% in identifying malignant nodules. CONCLUSIONS: This PDUS-driven malignancy index using a contour-finding algorithm approach could accurately and reliably differentiate malignant and benign thyroid nodules. As a pre-FNAB assessment, the malignancy index may be able to reduce the number of patients with nodular thyroid disease undergoing this invasive procedure.
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 ».