Combining CEUS and CT/MRI LI-RADS major imaging features: diagnostic accuracy for classification of indeterminate liver observations in patients at risk for HCC
Notice bibliographique
Résumé
PURPOSE: To determine the diagnostic accuracy of combining CEUS and CT/MRI LI-RADS major imaging features for the improved categorization of liver observations indeterminate on both CT/MRI and CEUS. MATERIALS AND METHODS: A retrospective analysis using a database from a prospective study conducted at 11 centers in North America and Europe from 2018 to 2022 included a total of 109 participants at risk for HCC who had liver observations with indeterminate characterization (LR3, LR-4, and LR-M) on both CEUS and CT/MRI. The individual CEUS and CT/MRI LI-RADS major features were extracted from the original study and analyzed in various combinations. Reference standards included biopsy, explant histology, and follow-up CT/MRI. The diagnostic performance of the combinations of LI-RADS major features for definitive diagnosis of HCC was calculated. A reverse, stepwise logistical regression sub-analysis was also performed. RESULTS: This study included 114 observations indeterminate on both CT/MRI and CEUS. These observations were categorized as LR-3 (n = 37), LR-4 (n = 41), and LR-M (n = 36) on CT/MRI and LR-3 (n = 48), LR-4 (n = 36), LR-M (n = 29), and LR-TIV (n = 1) on CEUS. Of them, 43.0% (49/114) were confirmed as HCC, 37.3% (43/114) non-malignant, and 19.3% (22/114) non-hepatocellular malignancies. The highest diagnostic accuracy among the combinations of imaging features was achieved in CT/MRI LR-3 observations, where the combination of CEUS arterial phase hyper-enhancement (APHE) + CT/MRI APHE had 96.7% specificity, 75.0% positive predictive value (PPV), and 86.5% accuracy for HCC. CONCLUSION: The combination of LI-RADS major features on CT/MRI and CEUS showed higher specificity, PPV, and accuracy compared to individual modalities' assessments, particularly for CT/MRI LR-3 observations.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».