Comparative study of separation between<i>ex vivo</i>prostatic malignant and benign tissue using electrical impedance spectroscopy and electrical impedance tomography
Notice bibliographique
Résumé
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.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».