Testing remote feedback using a virtual semi-automated educational tool for the detection of pancreatic tumour-vessel contact on staging CT
Notice bibliographique
Résumé
PURPOSE: Assessing tumour-vessel contact in pancreatic adenocarcinoma on CT is challenging for trainees and time-intensive for educators. Semi-automating feedback on this task may optimize radiologist time and standardize resident education. We hypothesized that residents who reviewed expert annotations of tumour-vessel contact would outperform those without feedback on an independent test set. METHODS: We retrospectively reviewed pre-operative staging CTs from 60 patients who underwent upfront surgical resection for pancreatic adenocarcinoma. Two resident groups (control and test) independently annotated tumour contact with the superior mesenteric artery. The test group received feedback-annotations from three expert radiologists-for the first 30 cases; the control group received none. Resident performance on the remaining 30 cases was compared against both surgical pathology and expert annotations. RESULTS: Test group residents demonstrated higher sensitivity than control group residents (mean sensitivity = 93 % vs. 79 %), with comparable specificity and accuracy relative to surgical pathology. While both groups performed similarly relative to expert consensus, the test group showed greater consistency in sensitivity (mean variation = 29 % vs. 46 %). CONCLUSION: Virtual expert feedback improved resident sensitivity in identifying tumour-vessel contact without compromising specificity or accuracy. These findings support the use of semi-automated educational tools to enhance radiology training efficiency and effectiveness.
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 | 0,001 | 0,016 |
| 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 ».