The value of 99mTc-sestamibi single-photon emission computed tomography-computed tomography in the evaluation and risk stratification of renal masses
Notice bibliographique
Résumé
INTRODUCTION: Tc-sestamibi (MIBI) imaging has the potential to characterize indeterminate renal masses. This comparative study evaluated the utility of MIBI single-photon emission computed tomography-computed tomography (SPECT-CT) in the assessment and risk stratification of renal masses. METHODS: A total of 29 patients with 31 renal masses who had cross-sectional imaging and MIBI SPECT-CT were included. Lesions were categorized as either MIBI-positive or -negative on SPECT-CT. Individual lesion density ranged from 22-56 Hounsfield units (HU) on the non-contrast CT part of SPECT-CT. Quantitative relative MIBI uptake was calculated by measuring tumor to ipsilateral renal parenchymal uptake. The imaging results were correlated with histopathology. RESULTS: All oncocytic lesions, including seven oncocytomas and one hybrid oncocytic chromophobe tumor (100%), were positive on MIBI. One chromophobe RCC showed low-grade MIBI uptake. The remaining RCC subtypes, including 15 clear-cell, four papillary, two mixed clear-cell and papillary, and one chromophobe, were MIBI-negative. The quantitative relative tumor uptake showed statistically significant higher uptake in the low-risk/oncocytic lesions compared to RCCs. CONCLUSIONS: This study demonstrates that MIBI SPECT-CT is valuable in the characterization of indeterminate renal masses. The combination of MIBI uptake on SPECT and lesion density on non-contrast CT can be used for risk stratification of renal masses. This technique may reduce the need for further imaging (multiphasic CT or magnetic resonance imaging), renal mass biopsy, or surgical resection of low-risk renal masses. Subsequently, more patients could be followed with active surveillance.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».