A Cross-Sectional Validation of Horos and CoreSlicer Software Programs for Body Composition Analysis in Abdominal Computed Tomography Scans in Colorectal Cancer Patients
Notice bibliographique
Résumé
BACKGROUND: Body composition assessment using computed tomography (CT) scans may be hampered by software costs. To facilitate its implementation in resource-limited settings, two open-source segmentation programs (Horos and CoreSlicer) were transversally validated in colorectal cancer patients. METHODS: Contrast-enhanced abdominal CT scans were analyzed following the Alberta protocol. The Cross-Sectional Area (CSA) and intensities of skeletal muscle tissue (MT), subcutaneous adipose tissue (SAT), visceral adipose tissue (VAT), and intramuscular adipose tissue (IMAT) were measured. The Skeletal Muscle Index (SMI) was calculated. Cutoff points were applied to the SMI, MT intensity, and VAT CSA to define muscle atrophy, myosteatosis, and abdominal obesity. The inter-software agreement was evaluated using different statistical tools. RESULTS: A total of 68 participants were measured. The MT CSA and SMI displayed no differences. The MT CSA agreement was excellent, and both programs provided equal muscle atrophy prevalences. CoreSlicer underestimated the MT intensity, with a non-significant myosteatosis prevalence increase (+5.88% and +8.82%) using two different operative definitions. CoreSlicer overestimated the CSA and intensity in both VAT and SAT, with a non-significant increase (+2.94%) in the abdominal obesity prevalence. CONCLUSIONS: Both software programs were feasible tools in the study group. The MT CSA showed great inter-software agreement and no muscle atrophy misdiagnosis. Segmentation differences in the MT intensity and VAT CSA caused limited diagnostic misclassification in the study sample.
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 | 0,001 | 0,001 |
| 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 | 0,000 | 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 ».