MétaCan
Menu
Retour à la cohorte
Enregistrement W4415449897 · doi:10.1210/jendso/bvaf149.2342

SUN-326 The additive value of real-time elastography to thyroid ultrasound in detecting malignancy in nodules over 20 mm in diameter

2025· article· en· W4415449897 sur OpenAlexaff
Nikolaos Angelopoulos, Dimitrios G. Goulis, Sarantis Livadas, Rodis Paparodis, Ioannis P. Androulakis, Anastasios Boniakos, Juan Carlos Jaume, Ιoannis Iakovou

Notice bibliographique

RevueJournal of the Endocrine Society · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensPetro-Canada
Organismes subventionnairesnon disponible
Mots-clésThyroid nodulesNodule (geology)ThyroidMalignancyElastographyGrading (engineering)Ultrasound

Résumé

récupéré en direct d'OpenAlex

Abstract Disclosure: N. Angelopoulos: None. D.G. Goulis: None. S. Livadas: None. R. Paparodis: None. I. Androulakis: None. A. Boniakos: None. J.C. Jaume: None. I. Iakovou: None. Purpose. Ultrasonography (US) is the most accurate and cost-effective imaging method for identifying thyroid nodules. The difficulty in determining which nodules to sample for fine-needle aspiration (FNA) cytology has prompted the introduction of the Thyroid Imaging Reporting and Data Systems (TIRADS), which assesses the malignancy risk associated with thyroid nodules. Real-time elastography (RTE), coupled with strain ratio (SR) measurements, offers a means to evaluate the nodule stiffness and potentially discern their likelihood of being malignant. The present study aimed to investigate the efficacy of RTE and SR, combined with the TIRADS grading systems, in distinguishing between benign and malignant thyroid nodules. Methods. From 1094 patients with thyroid nodules referred for thyroid ultrasound at a University Hospital, those with thyroid nodules ≥20 mm in diameter were enrolled. Each nodule was categorized according to European (EU)- and American College of Radiology (ACR)-TIRADS systems, ranging from 2 to 5. Nodules’ semiquantitative SRs were evaluated together with RTE. The thyroid nodule diagnosis was documented by post-thyroidectomy histopathological examination and/or US-guided FNA according to the Bethesda classification of the examined smears.Results. The study involved 267 patients (mean age 60.3 ± 14.3 years; 46 males and 221 females) with 308 nodules categorized into EU-TIRADS categories 3, 4, and 5. Of these nodules, 22 proved malignant, and 286 benign. The elastography ratio exhibited high predictive performance in diagnosing thyroid malignancy (p<0.001) at a threshold value of >0.84 (sensitivity 90.9%, specificity 73.4%). In the 168 nodules with EU-TIRADS 3, this threshold had 100% sensitivity and 75.1% specificity in discriminating malignant thyroid nodules.Conclusion. Combining TIRADS with data derived from RTE reduces unnecessary FNAs and surgeries in patients with thyroid nodular disease. Presentation: Sunday, July 13, 2025

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,004
Tête enseignante GPT0,273
Écart entre enseignants0,269 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the Endocrine SocietyMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207