Clinical utility of human glandular kallikrein 2 within a neural network for prostate cancer detection
Notice bibliographique
Résumé
OBJECTIVE: To assess, using artificial neural networks (ANNs), human glandular kallikrein 2 (hK2), prostate-specific antigen (PSA), and percentage free/total PSA (f/tPSA), for discriminating between prostate cancer and benign prostatic hyperplasia (BPH). MATERIAL AND METHODS: Serum samples from 475 patients with prostate cancer (n = 347) or BPH (n = 128) within the PSA range of 1-20 ng/mL were analysed for tPSA, fPSA and hK2 (research assay, Toronto, Canada). Data were analysed in the ranges of 1-4, 2-4, 4-10, and 2-20 ng/mL tPSA. Back-propagation ANN models with the variables PSA, f/tPSA, and hK2, hK2/fPSA and hK2/(f/tPSA) were constructed. The diagnostic validity was evaluated by receiver-operating characteristic (ROC) curve analysis. RESULTS: Whereas the median concentration of hK2 was not significantly different between patients with BPH or prostate cancer in any of the tPSA ranges, the f/tPSA, hK2/fPSA and hK2/(f/tPSA), and the hK2-based ANN outputs were always significantly different between patients with prostate cancer or BPH. Using ROC curve comparison, all variables were significantly better than hK2 in all ranges. The hK2-based ANN performed better than f/tPSA except in the 4-10 ng/mL tPSA range. At 90% and 95% sensitivity, the hK2-based ANN was also significantly better than f/tPSA in the 1-4 ng/mL tPSA range. hK2/(f/tPSA) achieved equal results to the hK2-based ANN except in the range 2-20 ng/mL tPSA. CONCLUSIONS: The hK2-based ANN improves the outcome of f/tPSA but not hK2/(f/tPSA) in almost all analysed subgroups. When comparing the results at 90% and 95% sensitivity the hK2-based ANN only performed significantly better than f/tPSA in the lowest tPSA range. Only in lower tPSA ranges do hK2-based ANNs show an advantage for further improving prostate cancer detection.
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 | 0,001 | 0,006 |
| 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 | 0,001 | 0,000 |
| 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 ».