Line-Field Confocal Optical Coherence Tomography for the Diagnosis of Skin Carcinomas: Real-Life Data over Three Years
Notice bibliographique
Résumé
Line-field confocal optical coherence tomography (LC-OCT) can help the clinical diagnosis of skin diseases. The present study aimed to evaluate the sensitivity, specificity, and diagnostic accuracy of LC-OCT for the diagnosis of the most frequent non-melanoma skin cancers (NMSCs), i.e., basal cell carcinoma (BCC) and squamous cell carcinoma (SCC). Comparing LC-OCT diagnostic performances with those of dermoscopy, histopathological examination was used as a gold standard. For every study endpoint, the diagnostic ability of LC-OCT revealed superiority over the dermoscopic examination. In particular, a significant increase in specificity was observed. Sensitivity, specificity, and diagnostic accuracy of dermoscopy and LC-OCT for the diagnosis of malignancy were, respectively, 0.97 (CI 0.94-0.99), 0.43 (CI 0.36-0.51), and 0.77 (CI 0.72-0.81) for dermoscopy and 0.99 (CI 0.97-1.00), 0.90 (CI 0.84-0.94), and 0.96 (CI 0.93-0.97) for LC-OCT. The positive predictive value (PPV) resulted in 0.74 (CI 0.69-0.78) for dermoscopy and 0.94 (CI 0.91-0.97) for LC-OCT, and the negative predictive value (NPV) was 0.89 (CI 0.81-0.95) for dermoscopy and 0.98 (CI 0.95-1.00) for LC-OCT. Finally, our real-life study showed a potentially important role of LC-OCT in the non-invasive diagnosis of NMSCs, especially BCC. The real-time imaging technique could spare unnecessary biopsies with an increased sensitivity, a much higher specificity, and better accuracy than clinical assessment with dermoscopy alone.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».