Bibliographic record
Abstract
Keine andere Untersuchungstechnik hat die Bildgebung so drastisch verändert wie die Computertomographie. Sie ist schnell, objektiv, robust, universell und reproduzierbar. Vom Adenom bis zur Zyste, kaum eine Leberläsion lässt sich nicht in der CT diagnostizieren. Vor allem mittels Aufnahmen in verschiedenen Perfusionphasen lassen sich – von wenigen Ausnahmen abgesehen – fokale Leberläsionen charakterisieren. Gallenwegsdarstellung, Dual-energy und Perfusionsuntersuchung erweiteren sogar das Spektrum der Diagnostik und liefern neben Morphologie auch wichtige Funktionsparameter, vor allem bei onkologischen Fragestellungen. Seit 40 Jahren immer wieder einmal tot geglaubt, hat die CT wiederholt die Führung übernommen und stellt heute eine tragende, unverzichtbare Säule der Leberbildgebung dar. Lernziele: Der Vortrag soll dazu beitragen, den Stellenwert der CT bei fokalen Leberläsionen und diffusen Lebererkrankungen zu verstehen, die CT sinnvoll im diagnostischen Algorithmus neben US und MRT einzusetzen, das Potenzial neuer Untersuchungstechniken in der CT der Leber zu erkennen Korrespondierender Autor: Rogalla P University Health Network, Department of Medical Imaging, 585 University Avenue, NCSB-1C547, M5G 2N2, Toronto, Ontario E-Mail: patrik.rogalla@uhn.ca
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.009 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.001 | 0.007 |
| Scholarly communication | 0.005 | 0.011 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.006 | 0.013 |
| Insufficient payload (model declined to judge) | 0.008 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".