Validation of Convolutional Neural Networks for Fast Determination of Whole-Body Metabolic Tumor Burden in Pediatric Lymphoma
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<sup>18</sup>F-FDG PET/CT quantification of whole-body tumor burden in lymphoma is not routinely performed because of the lack of fast methods. Although the semiautomatic method is fast, it is not fast enough to quantify tumor burden in daily clinical practice. Our purpose was to evaluate the performance of convolutional neural network (CNN) software in localizing neoplastic lesions in whole-body <sup>18</sup>F-FDG PET/CT images of pediatric lymphoma patients. <b>Methods:</b> The retrospective image dataset, derived from the data pool of the International Atomic Energy Agency (coordinated research project E12017), included 102 baseline staging <sup>18</sup>F-FDG PET/CT studies of pediatric lymphoma patients (mean age, 11 y). The images were quantified to determine the whole-body tumor burden (whole-body metabolic tumor volume [wbMTV] and whole-body total lesion glycolysis [wbTLG]) using semiautomatic software and CNN-based software. Both were displayed as semiautomatic wbMTV and wbTLG and as CNN wbMTV and wbTLG. The intraclass correlation coefficient (ICC) was applied to evaluate concordance between the CNN-based software and the semiautomatic software. <b>Results:</b> Twenty-six patients were excluded from the analysis because the software was unable to perform calculations for them. In the remaining 76 patients, CNN and semiautomatic wbMTV tumor burden metrics correlated strongly (ICC, 0.993; 95% CI, 0.989 − 0.996; <i>P</i> < 0.0001), as did CNN and semiautomatic wbTLG (ICC, 0.999; 95% CI, 0.998–0.999; <i>P</i> < 0.0001). However, the time spent calculating these metrics was significantly (<0.0001) less by CNN (mean, 19 s; range, 11–50 s) than by the semiautomatic method (mean, 21.6 min; range, 3.2–62.1 min), especially in patients with advanced disease. <b>Conclusion:</b> Determining whole-body tumor burden in pediatric lymphoma patients using CNN is fast and feasible in clinical practice.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 découle