MétaCan
Menu
Retour à la cohorte
Enregistrement W3112979975 · doi:10.1093/neuonc/noaa215.654

NIMG-41. VARIATION IN PERFUSION AND PERMEABILITY MRI DEPENDING ON VASCULAR INPUT FUNCTION SELECTION

2020· article· en· W3112979975 sur OpenAlexaff
Parandoush Abbasian, Lawrence Ryner, Jai Shankar, Marco Essig, Marshall Pitz

Notice bibliographique

RevueNeuro-Oncology · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueMRI in cancer diagnosis
Établissements canadiensResearch Institute in Oncology and HematologyHealth Sciences CentreCancerCare Manitoba
Organismes subventionnairesnon disponible
Mots-clésSSS*MedicineNuclear medicinePerfusionDynamic contrast-enhanced MRIRadiologyMagnetic resonance imagingInternal medicine

Résumé

récupéré en direct d'OpenAlex

Abstract BACKGROUND According to the updated RANO criteria, MRI contrast enhancement and peritumoral edema during the initial 12 weeks within the radiation field following chemoradiation may be pseudoprogression (PP) or true progression (TP). This ambiguity results in diagnostic uncertainty and delays in effective therapies. MRI perfusion and permeability imaging markers, including relative blood volume (rBV), and volume transfer constant (Ktrans), may be useful in differentiating PP from TP. Both techniques rely on identification of a vascular input function (VIF) to produce reliable output maps. METHODS Perfusion and permeability maps were acquired from 7 patients on a Siemens 3T Verio MRI as part of an ongoing prospective study on glioblastoma multiforme. Patients received standard surgical resection with concurrent chemo-radiotherapy treatment and MRI follow-up at one and every 2 months. Maps were based on the follow-up MRI. The 3D contrast enhancing lesion (CEL) was segmented from the T1-Post-Gd MRI. VIF pixels were identified in the internal carotid artery (ICA), the M2 segment of the middle cerebral artery (MCA2), the superior sagittal sinus (SSS), automatically using software (Olea Sphere 3.0.22), and auto-edited (removed pixels from the auto VIF definition that were outside the brain). RESULTS For the different VIF pixel selections (ICA, MCA2, SSS, Auto, Auto-edited), mean Ktrans values from CEL were 0.32, 0.48, 0.05, 0.09, 0.08, respectively, showing a 10-fold variation. Mean rBV values from CEL were 2.70, 2.36, N/A, 3.10, 3.19, respectively, showing a 1.3-fold variation. CONCLUSIONS VIF pixel selection is a critical step in generating reliable perfusion and permeability MRI maps. Variation of up to a factor of 10 in the Ktrans values, depending on VIF selection, was observed. SSS for the permeability VIF resulted in maps that most closely matched literature values, whereas perfusion imaging showed less sensitivity to VIF selection.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,290
Écart entre enseignants0,265 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNeuro-OncologyMême sujetMRI in cancer diagnosisTravaux en français237 207