Multimodal Radiomic Features for the Predicting Gleason Score of Prostate Cancer
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.
Notice bibliographique
Résumé
BACKGROUND: Novel radiomic features are enabling the extraction of biological data from routine sequences of MRI images. This study's purpose was to establish a new model, based on the joint intensity matrix (JIM), to predict the Gleason score (GS) of prostate cancer (PCa) patients. METHODS: A retrospective dataset comprised of the diagnostic imaging data of 99 PCa patients was used, extracted from The Cancer Imaging Archive's (TCIA) T2-Weighted (T2-WI) and apparent diffusion coefficient (ADC) images. Radiomic features derived from JIM and the grey level co-occurrence matrix (GLCM) were extracted from the reported tumor locations. The Kruskal-Wallis test and Spearman's rank correlation identified features related to the GS. The Random Forest classifier model was implemented to identify the best performing signature of JIM and GLCM radiomic features to predict for GS. RESULTS: < 0.05). Combined JIM and GLCM analysis provided the best performing area-under-the-curve, with values of 78.40% for GS ≤ 6, 82.35% for GS = 3 + 4, and 64.76% for GS ≥ 4 + 3. CONCLUSION: This retrospective study produced a novel predictive model for GS by the incorporation of JIM data from standard diagnostic MRI images.
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 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 | 0,000 | 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 | 0,000 |
| 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 découle