An artificial neural network considerably improves the diagnostic power of percent free prostate‐specific antigen in prostate cancer diagnosis: Results of a 5‐year investigation
Notice bibliographique
Résumé
Our study was performed to evaluate the diagnostic usefulness of %fPSA alone and combined with an ANN at different PSA concentration ranges, including the low range 2-4 ng/ml, to improve the risk assessment of prostate cancer. A total of 928 men with prostate cancer and BPH without any pretreatment of the prostate in the PSA range 2-20 ng/ml were enrolled in the study between 1996 and 2001. An ANN with input data of PSA, %fPSA, patient's age, prostate volume and DRE status was developed to calculate the individual's risk before performing a prostate biopsy within the different PSA ranges 2-4, 4.1-10 and 10.1-20 ng/ml. ROC analysis and cut-off calculations were used to estimate the diagnostic improvement of %fPSA and ANN in comparison to PSA. At the 90% sensitivity level, %fPSA and ANN performed better than PSA in all ranges, enhancing the specificity by 15-28% and 32-44%, respectively. For the low PSA range 2-4 ng/mL, we recommend a first-time biopsy at an ANN specificity level of 90%. For PSA 4-10 ng/mL, we recommend a first-time biopsy based on the ANN at the 90% sensitivity level. Use of an ANN enhances the %fPSA performance to further reduce the number of unnecessary biopsies within the PSA range 2-10 ng/ml.
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 | 0,000 | 0,000 |
| 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 ».