Combined Diagnostic Accuracy of Diffusion and Perfusion MR Imaging to Differentiate Radiation-Induced Necrosis from Recurrence in Glioblastoma
Notice bibliographique
Résumé
We aimed to use quantitative values derived from perfusion and diffusion-weighted MR imaging (PWI and DWI) to differentiate radiation-induced necrosis (RIN) from tumor recurrence in Glioblastoma (GBM) and investigate the best parameters for improved diagnostic accuracy and clinical decision-making. Methods: A retrospective analysis of follow-up MRI with new enhancing observations was performed in histopathologically confirmed subjects of post-treated GBM, who underwent re-surgical exploration. Quantitative estimation of rCBV (relative cerebral blood volume) from PWI and three methods of apparent diffusion coefficient (ADC) estimation were performed, namely ADC R1 (whole cross-sectional area of tumor), ADC R2 (only solid enhancing lesion), and ADC R3 (central necrosis). ROC curve and logistic regression analysis was completed. A confusion matrix table created using Excel provided the best combination parameters to ameliorate false-positive and false-negative results. Results: Forty-four subjects with a mean age of 46 years (range, 19−70 years) underwent re-surgical exploration with RIN in 28 (67%) and recurrent tumor in 16 (33%) on histopathology. rCBV threshold of >3.4 had the best diagnostic accuracy (AUC = 0.93, 81% sensitivity and 89% specificity). A multiple logistic regression model showed significant contributions from rCBV (p < 0.001) and ADC R3 (p = 0.001). After analysis of confusion matrix ADC R3 > 2032 × 10−6 mm2 achieved 100% specificity with gain in sensitivity (94% vs. 56%). Conclusions: A combination of parameters had better diagnostic performance, and a stepwise combination of rCBV and ADC R3 obviated unnecessary biopsies in 10% (3/28), leading to improved clinical decision-making.
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 | 0,004 |
| 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 ».