Biopsie-kontrollierter, zeitsynchroner Vergleich von Dual-Energy-CT und Ultraschall zur Quantifizierung von Leberverfettung
Bibliographic record
Abstract
Zielsetzung: Ziel der Studie war herauszufinden, wie gut die Dual-Energy-CT mit monochromatischer Bildrekonstruktion und Ultraschall (US) mit normalisierter lokaler Varianzanalyse (NLV) geeignet sind, eine Leberverfettung nichtinvasiv zu quantifizieren. Material und Methodik: 41 Patienten mit vermuteter Leberverfettung erhielten eine klinisch indizierte Leberbiopsie zur Quantifizierung. Alle Biopsien wurden auf dem CT-Tisch (Toshiba Aquilion Vision) ultraschallgesteuert durchgeführt (Aplio 500). Vor der Nadelnavigation in den rechten Leberlappen wurde im US eine normalisierte lokale Varianzanalye durchgefuehrt. Mit der Nadel in situ erfolgte die Aufnahme eines Dual-Energy-Volumens der Leber (16 cm). Zwei Stanzbiopsien (Supercore, 18G) wurden entnommen und in Formalin fixiert. Monochromatische Serien wurden von 35 bis 130 keV in 5 keV-Schritten rekonstruiert, die jeweiligen Dichtewerte (HE) der Leber in 2 ROIs ermittelt und in einer Intensitätskurve DE-CT-I0 aufgetragen (curve-fit). Die NLV im US wurde in einer 3 cm ROI (jeweils mit 12.000 Messpunkten) im Areal der Biopsie durchgeführt. Alle Werte wurden mit dem pathologischen Ergebnis (Verfettungsgrad) korreliert. Ergebnisse: Alle Biopsien konnten ohne Komplikationen durchgeführt werden. Der Mittelwert/SD des Verfettungsgrades in der Stanzbiopsie, NLV, DE-CT-I0 und HE gemessen auf den akquirierten 80 kV und 135 kV-Serien waren jeweils 0.57/0.72, 1.16/0.13, 54.94/12.04, 45.8/11.0 und 52.84/11.24. Die Korrelationen/(two-tailed) p-Wert von DE-CT-I0 versus Biopsie, NLV versus Biopsie, und NLV versus DE-CT-I0 lagen jeweils bei r2 = 0.76/p < 0.01, r2 = 0.59/p < 0.01 and r2 = 0.61, p < 0.01. Schlussfolgerungen: Sowohl Ultraschall als auch DE-CT erlauben die Vorhersage des Grades der Leberverfettung mit akzeptabler Genaugkeit, wobei die CT mit monochromatischer Bildrekonstruktion dem Ultrachall mit NLV gering überlegen ist.
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 | 0.007 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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".