Measurement variability of radiologists when measuring brain tumors
Notice bibliographique
Résumé
BACKGROUND: In oncology trials, response evaluation criteria are pivotal in developing new treatments. This study examines the influence of measurement variability in brain lesions on response classification, considering long-standing cut-offs for progression and response were determined before the era of submillimeter resolutions of medical imaging. METHODS: We replicate a key study using modern radiological tools. Sixteen radiologists were tasked with measuring twelve near-spherical brain tumors using visual estimation (eyeballing), diameter measurements and artificial intelligence (AI) assisted segmentations. Analyses for inter- and intraobserver variability from the original were replicated. Additionally, we researched the effect of measurement error on the misclassification of progressive disease using a computer simulation model. RESULTS: The combined effect of intra- and interobserver error varied between 13.6 and 22.2% for eyeballing and 6.8-7.2% for diameter measurement, using AI-assisted segmentation as reference. We observed erroneously declared progression (cut-off at 20% increase) in repeat measurements of the same tumor in 25.5% of instances for eyeballing and in 1.1% for diameter measurements. Response (cut-off at 30% decrease) was erroneously declared in 12.3% for eyeballing and in 0% for diameter measurements. The simulation model demonstrated a more pronounced impact of measurement error on cases with fewer total number of lesions. CONCLUSIONS: This study provides a minimum expected measurement error using real-world data. The impact of measurement error on response evaluation criteria misclassification in brain lesions was most pronounced for eyeballing. Future research should focus on measurement error for different tumor types and assess its impact on response classification during patient follow-up.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».