Investigating the ability of multiparametric MRI to exclude significant prostate cancer prior to transperineal biopsy
Notice bibliographique
Résumé
INTRODUCTION: We characterized false negative prostate magnetic resonance imaging (MRI) reporting by using histology derived from MRI-transrectal ultrasound (TRUS)-guided transperineal (MTTP) fusion biopsies. METHODS: In total, 148 consecutive patients were retrospectively reviewed. Men underwent multiparametric MRI (mpMRI), reported by a consultant/attending radiologist in line with European Society of Urogenital Radiology (ESUR) standards. MTTP biopsy of the lesions was performed according to the Ginsburg recommendations. Cases with an MRI-histology mismatch were identified and underwent a second read by an experienced radiologist. A third review was performed with direct histology comparison to determine a true miss from an MRI-occult cancer. Statistical analysis was performed with McNemar's test. RESULTS: False negative lesions were identified in 29 MRI examinations (19.6%), with a total of 46 lesions. Most false negative lesions (21/46) were located in the anterior sectors of the prostate. The second read led to a significant decrease of false-negative lesions with 7/29 further studies identified as positive on a patient-by-patient basis (24.1% of studies, p = 0.016) and 11/46 lesions (23.9%; p = 0.001). Of these, 30 lesions following the first read and 23 lesions after the second read were considered significant cancer according to the University College London criteria. However, on direct comparison with histology, most lesions were MRI occult. CONCLUSION: We demonstrate that MRI can fail to detect clinically relevant lesions. Improved results were achieved with a second read but despite this, a number of lesions remain MRI-occult. Further advances in imaging are required to reduce false negative results.
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 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».