MétaCan
Menu
Retour à la cohorte
Enregistrement W4381739476 · doi:10.30978/tb2023-2-28

Ways of transformation of typical X-ray signs of community acquired pneumonia of viral etiology (COVID-19) according to radiomics data

2023· article· en· W4381739476 sur OpenAlexaboutno aff
М.І. Lynnyk, V. І. Іgnatieva, Г. Л. Гуменюк, О.К. Yakovenko, V.А. Svyatnenko

Notice bibliographique

RevueTuberculosis Lung Diseases HIV Infection · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPneumoniaViral pneumoniaMedicineRadiologyCoronavirus disease 2019 (COVID-19)ParenchymaLungPathologicalRadiomicsLung cancerPathologyDiseaseInternal medicineInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

For 3 years since the announcement of the coronavirus disease (COVID-19) pandemic, doctors around the world have been studying the complications caused by different strains of SARS-CoV-2. To study the structure of the lung parenchyma in patients with a complicated course of community acquired viral pneumonia of COVID-19 and different ways of transformation, the most informative is the digital software processing of computed tomography (CT) images of the chest organs (CT). Objective — to investigate the ways of transformation of typical radiological signs in patients with community-acquired pneumonia of viral etiology (COVID-19) and the possibility of their transformation into bronchioloalveolar cancer (BAC) by the radiomics method. Materials and methods. Chest CT data in the dynamics of 112 patients with a complicated course of community-acquired viral pneumonia COVID-19 were analyzed. Chest CT was performed on an Aquilion TSX-101A Tochiba scanner (Japan) with subsequent digital software processing of CT images using the Dragonfly program from Obyect Research Systems (ORS), Montreal, Canada. The diagnosis of BAC was made based on the data of the pathomorphological examination. Transbronchial biopsy of lung tissue was performed during diagnostic fibrobronchoscopy. Results and discussion. As a result of the analysis of possible ways of transformation of typical X-ray changes of COVID-19 community-acquired pneumonia, we identified 3 main ways. In 71 (64.0 %) subjects, according to the chest CT scan, there was gradual resorption of pathological changes and recovery of the lung parenchyma. In 35 (31.2 %) patients, the formation of signs of «vanishing lung syndrome» was detected. 5 (4.5 %) patients were diagnosed with BAC according to the CT scan and pathomorphological examination. Digital software processing of chest CT in dynamics allows to track the process of transformation of the lung parenchyma structure in patients with a complicated course of COVID-19 community-acquired viral pneumonia into BAC and in some cases to confirm the secondary nature of the oncological process. Conclusions. Digital software processing of the chest CT data is a highly informative research method that clearly reflects the morphological structure of the lung parenchyma and allows diagnosis and differential diagnosis of diseases.

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)0,000
score de la tête « metaresearch » (Gemma)0,002
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: Observationnel
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
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,063
Tête enseignante GPT0,358
Écart entre enseignants0,295 · 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

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTuberculosis Lung Diseases HIV InfectionMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207