Using Machine Learning to Improve the Contrast-Enhanced Ultrasound Liver Imaging Reporting and Data System Diagnosis of Hepatocellular Carcinoma in Indeterminate Liver Nodules
Notice bibliographique
Résumé
OBJECTIVE: Liver cancer ranks among the most lethal cancers. Hepatocellular carcinoma (HCC) is the most common type of primary liver cancer and better diagnostic tools are needed to diagnose patients at risk. The aim is to develop a machine learning algorithm that enhances the sensitivity and specificity of the Contrast-Enhanced Ultrasound Liver Imaging Reporting and Data System (CEUS-LIRADS) in classifying indeterminate at-risk liver nodules (LR-M, LR-3, LR-4) as HCC or non-HCC. METHODS: Our study includes patients at risk for HCC with untreated indeterminate focal liver observations detected on US or contrast-enhanced CT or MRI performed as part of their clinical standard of care from January 2018 to November 2022. Recursive partitioning was used to improve HCC diagnosis in indeterminate at-risk nodules. Demographics, blood biomarkers, and CEUS imaging features were evaluated as potential predictors for the algorithm to classify nodules as HCC or non-HCC. RESULTS: We evaluated 244 indeterminate liver nodules from 224 patients (mean age 62.9 y). Of the nodules, 73.2% (164/224) were from males. The algorithm was trained on a random 2/3 partition of 163 liver nodules and correctly reclassified more than half of the HCC liver nodules previously categorized as indeterminate in the independent 1/3 test partition of 81 liver nodules, achieving a sensitivity of 56.3% (95% CI: 42.0%, 70.2%) and specificity of 93.9% (95% CI: 84.4%, 100.0%). CONCLUSION: Machine learning was applied to the multicenter, multinational study of CEUS LI-RADS indeterminate at-risk liver nodules and correctly diagnosed HCC in more than half of the HCC nodules.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».