Enhancing Lymphoma Diagnosis, Treatment, and Follow-Up Using 18F-FDG PET/CT Imaging: Contribution of Artificial Intelligence and Radiomics Analysis
Notice bibliographique
Résumé
Lymphoma, encompassing a wide spectrum of immune system malignancies, presents significant complexities in its early detection, management, and prognosis assessment since it can mimic post-infectious/inflammatory diseases. The heterogeneous nature of lymphoma makes it challenging to definitively pinpoint valuable biomarkers for predicting tumor biology and selecting the most effective treatment strategies. Although molecular imaging modalities, such as positron emission tomography/computed tomography (PET/CT), specifically 18F-FDG PET/CT, hold significant importance in the diagnosis of lymphoma, prognostication, and assessment of treatment response, they still face significant challenges. Over the past few years, radiomics and artificial intelligence (AI) have surfaced as valuable tools for detecting subtle features within medical images that may not be easily discerned by visual assessment. The rapid expansion of AI and its application in medicine/radiomics is opening up new opportunities in the nuclear medicine field. Radiomics and AI capabilities seem to hold promise across various clinical scenarios related to lymphoma. Nevertheless, the need for more extensive prospective trials is evident to substantiate their reliability and standardize their applications. This review aims to provide a comprehensive perspective on the current literature regarding the application of AI and radiomics applied/extracted on/from 18F-FDG PET/CT in the management of lymphoma patients.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».