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 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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».