Preliminary evaluation of 18F-FDG-PET/MRI for differentiation of serous from nonserous pancreatic cystic neoplasms: a pilot study
Notice bibliographique
Résumé
OBJECTIVES: The aim of the study was to evaluate preliminary feasibility of 18F-FDG-PET/MRI in differentiation of pancreatic serous cystic neoplasms (SCNs) from non-SCNs. METHODS: From August 2017 to June 2019, 10 patients (3 men, 7 women; mean age, 63 years) previously diagnosed with pancreatic cystic neoplasm underwent simultaneous 18F-FDG-PET/MRI prospectively on an integrated 3-Tesla hybrid PET/MRI scanner. PET images were analyzed visually and semiquantitatively measuring standardized uptake values (SUV) including lesion SUVmax and SUVmean, lesion to pancreas and lesion to liver SUVmax and SUVmean ratio independent of MRI diagnosis. The reference standard for lesion diagnosis was by MRI features and interval follow-up. RESULTS: Visual assessment of PET images demonstrated uptake in 57% of SCNs. Lesion to liver SUVmax ratio of ≥0.5 showed the highest accuracy (90%) and area under the curve (0.9) followed by lesion SUVmax of ≥1.6 and lesion to pancreas SUVmax ratio of ≥0.77 for diagnosis of SCN. The sensitivity for lesion SUVmax of ≥1.6 was less than two other ones (71 versus 100%). All non-SCNs exhibited SUVmax value less than 1.6 while 33 and 66% demonstrated lesion to liver SUVmax ratio of >0.5 and lesion to pancreas SUVmax ratio of >0.77, respectively. PET/MRI specificity was 67, 100, 67 and 33% through lesion to liver SUVmax ratio, lesion SUVmax, lesion SUVmean and lesion to pancreas SUVmax ratio, respectively, for diagnosis of SCN. CONCLUSION: Preliminary results show that PET/MRI utilization is promising for differentiation of pancreatic SCN from non-SCN lesions. This could reduce need for surveillance imaging or avoidance of unnecessary intervention in pancreatic cystic neoplasms with uncertain diagnoses.
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 | 0,004 |
| 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 | 0,001 | 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 ».