Multicenter Evaluation of an Artificial Neural Network to Increase the Prostate Cancer Detection Rate and Reduce Unnecessary Biopsies
Notice bibliographique
Résumé
BACKGROUND: The percentage of free prostate-specific antigen (%fPSA) has been shown to improve specificity for the diagnosis of prostate cancer (PCa) over total PSA (tPSA). A multicenter study was performed to evaluate the diagnostic value of a %fPSA-based artificial neural network (ANN) in men with tPSA concentrations between 2 and 20 microg/L for detecting patients with increased risk of a positive prostate biopsy for cancer. METHODS: We enrolled 1188 men from six different hospitals with PCa or benign prostates between 1996 and 2001. We used a newly developed ANN with input data of tPSA, %fPSA, patient age, prostate volume, and digital rectal examination (DRE) status to calculate the risk for the presence of PCa within different tPSA ranges (2-4, 4.1-10, 2-10, 10.1-20, and 2-20 microg/L) at the 90% and 95% specificity or sensitivity cutoffs, depending on the tPSA concentration. ROC analysis and cutoff calculations were used to estimate the diagnostic improvement of the ANN compared with %fPSA alone. RESULTS: In the low tPSA range (2-4 microg/L), the ANN detected 72% and 65% of cancers at specificities of 90% or 95%, respectively. At 4-10 microg/L tPSA, the ANN detected 90% and 95% of cancers with specificities of 62% and 41%, respectively. Use of the ANN with 2-10 microg/L tPSA enhanced the specificity of %fPSA by 20-22%, thus reducing the number of unnecessary biopsies. CONCLUSIONS: Enhanced accuracy of PCa detection over that obtained using %fPSA alone can be achieved with a %fPSA-based ANN that also includes clinical information from DRE and prostate volume measurements.
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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 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) | 0,001 | 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 ».