The Impact of Diffuse Liver Disease on Liver Lesion Detection and Characterization
Notice bibliographique
Résumé
Diffuse liver diseases, including steatosis, cirrhosis, and fibrosis, significantly alter hepatic architecture, and can obscure, mimic, or alter the imaging features of focal liver lesions and reduce the diagnostic accuracy of specific imaging modalities. This review outlines the key imaging pitfalls created by diffuse liver disease and offers practical, evidence-based strategies to overcome them. We describe several key imaging pitfalls in interpreting liver lesions in diffuse liver disease, including the atypical appearance of focal lesions on ultrasound and CT due to altered background parenchyma; the phenomenon of "vanishing washout" of hepatocellular carcinoma on CT in steatotic livers; and the significant risk of underestimating metastatic disease burden or missing occult lesions. For each pitfall, we discuss the strengths and weaknesses of various imaging modalities and suggest problem-solving strategies, such as guidance on selecting the most appropriate next-line imaging modality for lesion characterization. We highlight the roles of contrast-enhanced ultrasound and MRI in resolving diagnostic uncertainty when initial ultrasound or CT imaging is atypical or equivocal. A comprehensive understanding of how diffuse liver disease affects the imaging of both benign and malignant lesions is important for accurate diagnosis. Recognizing these pitfalls allows a tailored, multimodality imaging approach that optimizes the detection and characterization of focal liver lesions, ultimately guiding clinical management and improving patient care.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».