Breast density scales: the metric matters
Notice bibliographique
Résumé
OBJECTIVE: Measures of percent mammographic density (PMD) are often categorized using various density scales. The purpose of this study was to examine information loss associated with the use of categorical density scales. METHODS: Baseline PMD was assessed at 1% precision for 2,374 females. The data were used to create 21-category, 4-category and 2-category density scales. R-squared and root mean square error were used to evaluate the effect of categorizing PMD. The area under the receiver operator characteristic curves were compared between cancer risk models employing solely categorical PMD scales and solely baseline PMD for a subset of females (424 cases, 848 controls). RESULTS: R-squared value decreased from 1.00 (1% PMD) to 0.56 (2-category scale), while root mean square error increased from 0.00 (1% PMD) to 10.83 (2-category scale). The area under the receiver operator characteristic curve decreased from 0.64 for a cancer risk model using 1% PMD to 0.58 for a risk model using a 21-category density scale (p < 0.0001), 0.55 for a 4-category Breast Imaging, Reporting and Data System-like scale (p < 0.0001) and 0.50 for a 2-category Breast Imaging, Reporting and Data System-like scale (high vs low) (p < 0.0001). CONCLUSION: Categorizing PMD measures into categorical density scales leads to a significant loss of information. Indeed, a simple high versus low split of PMD using a 50% cut point yields a cancer risk model with no discriminatory power. Advances in knowledge: Use of categorical mammographic density scales rather than continuous percent mammographic density measures leads to significant loss of information. Breast cancer risk models using categorical mammographic density scales perform more poorly than models using continuous PMD measures.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».