MétaCan
Menu
Retour à la cohorte
Enregistrement W4387581621 · doi:10.1002/mp.16772

Audit of data from examination image headers collected for quality assurance in the ECOG‐ACRIN EA1151 tomosynthesis mammographic imaging screening trial (TMIST)

2023· article· en· W4387581621 sur OpenAlexaff
Aili K. Maki, Gordon E. Mawdsley, James G. Mainprize, Etta D. Pisano, Sam Z. Shen, Olivier Alonzo‐Proulx, Martin J. Yaffe

Notice bibliographique

RevueMedical Physics · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueDigital Radiography and Breast Imaging
Établissements canadiensUniversity of TorontoSunnybrook Health Science Centre
Organismes subventionnairesNational Cancer InstituteECOG-ACRIN Cancer Research GroupNational Institutes of HealthAmerican College of Radiology Imaging Network
Mots-clésTomosynthesisQuality assuranceDICOMMammographyImage qualityMedical physicsBreast imagingImaging phantomDigital mammographyComputer scienceMedical imagingData qualityMedicineNuclear medicineRadiologyArtificial intelligenceBreast cancerCancer

Résumé

récupéré en direct d'OpenAlex

PURPOSE: A comprehensive, centrally-monitored physics quality control (QC) program was developed for the Tomosynthesis Imaging Screening Trial (TMIST), a randomized controlled trial of digital breast tomosynthesis (TM) versus digital mammography (DM) for cancer screening. As part of the program, in addition to a set of phantom-based tests, de-identified data on image acquisition and processing parameters were captured from the DICOM headers of all individual patient images in the trial. These data were analyzed to assess the potential usefulness of header data from digital mammograms and tomosynthesis images of patients for quality assurance in breast imaging. METHODS: Data were automatically extracted from the headers of all de-identified patient mammograms and tomosynthesis images in the TMIST study. Image acquisition parameters and estimated radiation doses were tracked for individual sites, systems and across system types. These parameters included (among others) kV, target/filter use, number of acquired views per examination, AEC mode, compression thickness and force and detector temperature. Consistency of manually entered study data parameters (subject ID, screening time-point) from TMIST was evaluated. Preliminary observations from the program are presented. RESULTS: We report on data from 812 651 images from 135 525 examinations acquired between October, 2017 and December, 2022. Data came from 6 system models from 3 manufacturers. There was greater variability both in the number of views used and in the estimated (proxy) doses received in DM exams compared to TM. Mean proxy doses per examination varied among manufacturers from 2.76-4.54 mGy for DM and 3-4.84 mGy for the tomosynthesis component in the TM arm with maximum examination proxy doses of 20 and 26 mGy for DM and TM respectively. Mean proxy doses per examination for the combination examination in TM (tomosynthesis plus digital mammography) varied from 6.6 to 7.6 mGy among manufacturers with a maximum of 44.5 mGy. CONCLUSIONS: Overall, modern digital mammography and tomosynthesis systems used in TMIST have operated very reliably. Doses vary considerably due to variation in the number of views per examination, thickness and fibro-glandularity of the breast, and choices in the use of synthesized versus actual 2D mammography in the TM examination. These data may also be useful in predicting equipment problems. Header information is valuable not only for automated QC, but also for cross-checking accuracy and consistency of data in a clinical study.

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)0,055
score de la tête « metaresearch » (Gemma)0,099
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 enseignants0,055
Score d'incertitude au seuil0,291

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0550,099
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,085
Tête enseignante GPT0,357
Écart entre enseignants0,272 · 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

Citations3
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical PhysicsMême sujetDigital Radiography and Breast ImagingTravaux en français237 207