Performance of clear cell likelihood scores in characterizing solid renal masses at multiparametric MRI: an external validation study
Notice bibliographique
Résumé
PURPOSE: The purpose of this study is to evaluate the accuracy and interobserver agreement of ccLS in diagnosing clear cell renal cell carcinoma (ccRCC). METHODS: This retrospective single-center study evaluated consecutive patients with solid renal masses who underwent mpMRI followed by percutaneous biopsy and/or surgical excision between January 2010 and December 2020. Predominantly (> 75%) cystic masses, masses with macroscopic fat and infiltrative masses were excluded. Two abdominal radiologists independently scored each renal mass according to the proposed ccLS algorithm. The diagnostic performance of ccLS categories for ccRCC was calculated using logistic regression modeling. Diagnostic accuracy for predicting ccRCC was calculated using 2 × 2 contingency tables. Interobserver agreement for ccLS was evaluated with Cohen's k statistic. RESULTS: A total of 79 patients (mean age, 63 years ± 12 [SD], 50 men) with 81 renal masses were evaluated. The mean size was 36 mm ± 28 (range 10-160). Of the renal masses included, 44% (36/81) were ccRCC. The area under the receiver operating characteristic curve was 0.87 (95% CI 0.79-0.95). Using ccLS ≥ 4 to diagnose ccRCC, the sensitivity, specificity, and positive predictive value were 93% (95% CI 79, 99), 63% (95% CI 48, 77), and 67% (95% CI 58, 75), respectively. The negative predictive value of ccLS ≤ 2 was 93% (95% CI 64, 99). The proportion of ccRCC by ccLS category 1 to 5 were 10%, 0%, 10%, 57%, and 84%, respectively. Interobserver agreement was moderate (k = 0.47). CONCLUSION: In this study, clear cell likelihood score had moderate interobserver agreement and resulted in 96% negative predictive value in excluding ccRCC.
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 | 0,001 | 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 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 ».