Multicenter Evaluation of an Artificial Neural Network to Increase the Prostate Cancer Detection Rate and Reduce Unnecessary Biopsies
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
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.
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 | 0,001 | 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 découle