A retrospective study of lingual lesions in 793 dogs and 406 cats at the Athens Veterinary Diagnostic Laboratory, 2010–2020
Notice bibliographique
Résumé
Lingual biopsies are a common type of sample submission at the Athens Veterinary Diagnostic Laboratory (AVDL). Here we describe the pathology diagnoses of 793 canine and 406 feline lingual biopsies submitted to the AVDL in a 10-y period. Non-neoplastic lesions accounted for 450 diagnoses (57%) in dogs and 239 diagnoses (59%) in cats. Canine non-neoplastic lesions consisted of inflammatory lesions (286 cases; 64% of non-neoplastic lesions) and tumor-like proliferative lesions (164 cases; 36% of non-neoplastic lesions). Feline non-neoplastic lesions consisted of inflammatory lesions (228 cases; 95% of non-neoplastic lesions) and tumor-like proliferative lesions (11 cases; 5% of non-neoplastic lesions). The most common canine neoplasms were melanocytic neoplasms (103 cases; 30% of neoplasms) and epithelial neoplasms (102 cases; 30% of neoplasms), followed by mesenchymal neoplasms (90 cases; 26% of neoplasms) and round cell neoplasms (48 cases; 14% of neoplasms). Approximately 43% of melanocytic neoplasms affected Chow Chows and Labrador Retrievers, and 20% of epithelial neoplasms affected Labrador Retrievers. In cats, most tumors were epithelial (158 cases; 94% of neoplasms), followed by mesenchymal (8 cases; 5% of neoplasms) and round cell neoplasms (1 case; 1% of neoplasms). Over 50% of neoplasms of cats affected domestic shorthair cats. Although the percentage of lingual biopsies that had a neoplastic diagnosis was roughly the same between species, the diversity of neoplasms was much greater in dogs than in cats.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».