Comparison of MRI imaging features to differentiate degenerating fibroids from uterine leiomyosarcomas
Notice bibliographique
Résumé
Objectives: The aim of this study was to construct a diagnostic model from MRI features to distinguish complex leiomyomas/degenerating fibroids (DF) from leiomyosarcoma (LMS). Methods: A retrospective case-controlled study was performed comparing MRI features of patients with pathologically proven DF or LMS. MRI in 42 patients with DF (control group) and 46 with LMS (study group) was used to generate a diagnostic model. Imaging features reported in the literature to distinguish these two entities were scored for each uterine mass by two radiologists unaware of the histological diagnosis. Inter observer variation and univariate analysis was undertaken. Imaging characteristics identified on univariate analysis were used to build a multi-variable diagnostic model and sensitivity and specificity of this model calculated. Results: Taking the features identified on the univariate analysis, the final diagnostic model was based on AP length ( p = .053), intermediate T2 signal (IT2), volume ( p = .002), and nodular border ( p = .001). When the model was implemented back into the training dataset it demonstrated a sensitivity of 70.7%, and a specificity of 76.2%. The sensitivity and specificity of radiologist suspicion score was 74.7% and 70.4%. In addition, morphological features showed only poor or moderate inter observer agreement at best. Conclusions: Morphological MRI imaging features alone are not sufficient to obviate the need for pathological confirmation prior to non-surgical management of complex uterine mass lesions. Trial registration: IRAS project ID 251778 Protocol number: CCR 4992 REC reference 19/YH/0134 Date of HRA approval: 29.4.19.
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 | 0,000 | 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 ».