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 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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».