Le rôle de la tomographie par cohérence optique dans la chirurgie endocrinienne cervico-faciale
Bibliographic record
Abstract
Introduction. La tomographie par cohérence optique (TCO) est une modalité d'imagerie permettant de dévoiler la microarchitecture des tissus en temps réel. Compte tenu de ses propriétés, il existe un intérêt croissant pour déterminer les applications potentielles de la TCO en chirurgie endocrinienne cervico-faciale. Méthodologie. Trente-six patients opérés pour thyroïdectomie, parathyroïdectomie et/ou évidement cervical pour un cancer bien différencié de la thyroïde (CBDT) ont été recrutés prospectivement. Les spécimens de thyroïde, glandes parathyroïdes, ganglions et tissus adipeux sains et pathologiques ont été imagés avec la TCO avant l'analyse histopathologique. Les images ont été examinées par deux évaluateurs indépendants et une équipe multidisciplinaire. Résultats. Basé sur 137 spécimens chirurgicaux, la TCO ne permettait pas de différencier les nodules thyroïdiens bénins des nodules malins et les adénomes parathyroïdiens des ganglions sains. Pour les tissus sains, la TCO permettait de distinguer chaque type de tissu avec une sensibilité et une spécificité de 100% et 99% pour la thyroïde, 93% et 100% pour les glandes parathyroïdes, 100% et 99% pour les tissus adipeux, et 98% et 99% pour les ganglions. Les coefficients kappa de Cohen pour l'accord intra- et inter-évaluateurs étaient de 0,968 et 0,951. La TCO permettait également de différencier les ganglions bénins des ganglions malins avec une sensibilité, spécificité, valeur prédictive positive et négative de 85,1%, 89,5%, 80,8% et 92,2%. La fiabilité intra- et inter-évaluateurs étaient de 0,836 et 0,792. Conclusion. La TCO pourrait servir d'outil d'appoint pour confirmer l’identification des glandes parathyroïdes et différencier les ganglions métastatiques des ganglions bénins lors de la thyroïdectomie.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".