Utility of material-specific fat images derived from rapid-kVp-switch dual-energy renal mass CT for diagnosis of renal angiomyolipoma
Notice bibliographique
Résumé
Background Renal angiomyolipoma (AML) are benign masses that require detection of macroscopic fat for accurate diagnosis. Purpose To evaluate fat material-specific images derived from dual-energy computed tomography (DECT) to diagnose renal AML. Material and Methods This retrospective case-control study evaluated 25 renal AML and 44 solid renal masses (41 renal cell carcinomas, three other tumors) imaged with rapid-kVp-switch DECT (120 kVp non-contrast-enhanced [NECT], 70-keV corticomedullary [CM], and 120-kVp nephrographic [NG]-phase CECT) during 2017–2018. A radiologist measured attenuation (Hounsfield Units [HU]) on NECT, CM-CECT, NG-CECT, and fat concentration (mg/mL) using fat-water base-pair images. Results At NECT, 100% (44/44) non-AML and 4.0% (1/25) AML measured >–15 HU. At CM-CECT and NG-CECT, 24.0% (6/25) and 20.0% (5/25) AML measured >–15 HU (size 6–20 mm). To diagnose AML, area under receiver operating characteristic curve (AUC) using –15 HU was: 0.98 (95% confidence interval [CI] 0.98–1.00) NECT, 0.88 (95% CI 0.79–0.91) CM-CECT, and 0.90 (95% CI 0.82–0.98) NG-CECT. At DECT, fat concentration was higher in AML (163.7 ± 333.9 [–553.0 to 723.5] vs. –2858.1 ± 460.3 [–2421.2 to –206.0] mg/mL, P<0.001). AUC to diagnose AML using ≥–206.0 mg/mL threshold was 0.98 (95% CI 0.95–1.0) with sensitivity/specificity of 92.0%/96.7%. Of AML, 8.0% (2/25) were incorrectly classified; one of these was fat-poor. AUC was higher for fat concentration compared to HU measurements on CM-CECT and NG-CECT ( P=0.009–0.050) and similar to NECT ( P=0.98). Conclusion DECT material-specific fat images can help confirm the presence of macroscopic fat in renal AML which may be useful to establish a diagnosis if unenhanced CT is unavailable.
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) | 0,001 | 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 ».