LI-RADS: Looking Back, Looking Forward
Notice bibliographique
Résumé
Since its initial release in 2011, the Liver Imaging Reporting and Data System (LI-RADS) has evolved and expanded in scope. It started as a single algorithm for hepatocellular carcinoma (HCC) diagnosis with CT or MRI with extracellular contrast agents and has grown into a multialgorithm network covering all major liver imaging modalities and contexts of use. Furthermore, it has developed its own lexicon, report templates, and supplementary materials. This article highlights the major achievements of LI-RADS in the past 11 years, including adoption in clinical care and research across the globe, and complete unification of HCC diagnostic systems in the United States. Additionally, the authors discuss current gaps in knowledge, which include challenges in surveillance, diagnostic population definition, perceived complexity, limited sensitivity of LR-5 (definite HCC) category, management implications of indeterminate observations, challenges in reporting, and treatment response assessment following radiation-based therapies and systemic treatments. Finally, the authors discuss future directions, which will focus on mitigating the current challenges and incorporating advanced technologies. Tha authors envision that LI-RADS will ultimately transform into a probability-based system for diagnosis and prognostication of liver cancers that will integrate patient characteristics and quantitative imaging features, while accounting for imaging modality and contrast agent.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,005 |
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 ».