Prostate cancer detection with multi‐parametric MRI: Logistic regression analysis of quantitative T2, diffusion‐weighted imaging, and dynamic contrast‐enhanced MRI
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: To develop a multi-parametric model suitable for prospectively identifying prostate cancer in peripheral zone (PZ) using magnetic resonance imaging (MRI). MATERIALS AND METHODS: Twenty-five radical prostatectomy patients (median age, 63 years; range, 44-72 years) had T2-weighted, diffusion-weighted imaging (DWI), T2-mapping, and dynamic contrast-enhanced (DCE) MRI at 1.5 Tesla (T) with endorectal coil to yield parameters apparent diffusion coefficient (ADC), T2, volume transfer constant (K(trans)) and extravascular extracellular volume fraction (v(e)). Whole-mount histology was generated from surgical specimens and PZ tumors delineated. Thirty-eight tumor outlines, one per tumor, and pathologically normal PZ regions were transferred to MR images. Receiver operating characteristic (ROC) curves were generated using all identified normal and tumor voxels. Step-wise logistic-regression modeling was performed, testing changes in deviance for significance. Areas under the ROC curves (A(z)) were used to evaluate and compare performance. RESULTS: The best-performing single-parameter was ADC (mean A(z) [95% confidence interval]: A(z,ADC): 0.689 [0.675, 0.702]; A(z,T2): 0.673 [0.659, 0.687]; A(z,Ktrans): 0.592 [0.578, 0.606]; A(z,ve): 0.543 [0.528, 0.557]). The optimal multi-parametric model, LR-3p, consisted of combining ADC, T2 and K(trans). Mean A(z,LR-3p) was 0.706 [0.692, 0.719], which was significantly higher than A(z,T2), A(z,Ktrans), and A(z,ve) (P < 0.002). A(z,LR-3p) tended to be greater than A(z,ADC), however, this result was not statistically significant (P = 0.090). CONCLUSION: Using logistic regression, an objective model capable of mapping PZ tumor with reasonable performance can be constructed.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 découle