MétaCan
Menu
Retour à la cohorte
Enregistrement W2594178890 · doi:10.1088/1361-6579/aa660e

Comparative study of separation between<i>ex vivo</i>prostatic malignant and benign tissue using electrical impedance spectroscopy and electrical impedance tomography

2017· article· en· W2594178890 sur OpenAlex

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.

fundUn bailleur canadien est enregistré sur le travail.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevuePhysiological Measurement · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueElectrical and Bioimpedance Tomography
Établissements canadiensnon disponible
Organismes subventionnairesNational Institutes of HealthNational Cancer InstituteVector InstituteCenters for Disease Control and PreventionDartmouth College
Mots-clésElectrical impedance tomographyMargin (machine learning)Electrical impedanceBiomedical engineeringEx vivoFeature (linguistics)Computer scienceArtificial intelligenceTomographyMedicineRadiologyIn vivoEngineeringMachine learningElectrical engineering

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: Currently no efficient and reliable technique exists to routinely assess surgical margins during a radical prostatectomy. Electrical impedance spectroscopy (EIS) has been reported as a potential technique to provide surgeons with real-time intraoperative margin assessment. In addition to providing a quantified measure of margin status, a co-registered electrical impedance tomography (EIT) image presented on a surgeon's workstation could add value to the margin assessment process. APPROACH: To investigate this, we conducted a comparative study between EIS and EIT to evaluate the potential these technologies might have for margin assessment. EIS and EIT data was acquired from ex vivo human prostates using a multi-electrode endoscopic impedance acquisition probe. MAIN RESULTS: EIS and EIT show good predictive performance with a 0.76 and 0.80 area-under-curve (AUC), respectively, when considering discrete frequencies only. A machine learning (ML) algorithm is implemented to combine features, which improves the AUCs of EIS and EIT to 0.84 and 0.85, respectively. Single-step EIT takes significantly less time to reconstruct than multi-step EIT, yet provides similarly accurate classification results, making the single-step approach a potential candidate for real-time margin assessment. While the ML-based approach clearly exhibits benefits as compared to the single feature assessment, the decision to use EIS versus EIT is unclear since each approach performs better for different subsets of tissue classifications. SIGNIFICANCE: The results presented in this paper corroborate our previous studies and present the strongest evidence yet that an intraoperative-capable impedance probe can be used to distinguish benign from malignant prostate tissues. An in vivo study with a large cohort will be necessary to definitively determine the preferred approach and to show the clinical effectiveness of using this technology for margin assessment.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,560
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,074
Tête enseignante GPT0,325
Écart entre enseignants0,250 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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