Predicting Gleason Score of Prostate Cancer Patients Using Radiomic Analysis
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
Purpose: Use of quantitative imaging features and encoding the intra-tumoral heterogeneity from multi-parametric magnetic resonance imaging (mpMRI) for the prediction of Gleason score is gaining attention as a non-invasive biomarker for prostate cancer (PCa). This study tested the hypothesis that radiomic features, extracted from mpMRI, could predict the Gleason score pattern of patients with PCa. Methods: This analysis included T2-weighted (T2-WI) and apparent diffusion coefficient (ADC, computed from diffusion-weighted imaging) scans of 99 PCa patients from The Cancer Imaging Archive (TCIA). A total of 41 radiomic features were calculated from a local tumor sub-volume (i.e., regions of interest) that is determined by a centroid coordinate of PCa volume, grouped based on their Gleason score patterns. Kruskal-Wallis and Spearman’s rank correlation tests were used to identify features related to Gleason score groups. Random forest (RF) classifier model was used to predict Gleason score groups and identify the most important signature among the 41 radiomic features. Results: Gleason score groups could be discriminated based on zone size percentage, large zone size emphasis and zone size non-uniformity values (p<0.05). These features also showed a significant correlation between radiomic features and Gleason score groups with a correlation value of -0.35, 0.32, 0.42 for the large zone size emphasis, zone size non-uniformity and zone size percentage, respectively (corrected p < 0.05). RF classifier model achieved an average of the area under the curves of the receiver operating characteristic (ROC) of 83.40, 72.71 and 77.35% to predict Gleason score groups (G1) = 6; 6 < (G2) ≤ (3+4) and (G3) ≥ 4+3, respectively. Conclusion: Our results suggest that the radiomic features can be used as a non-invasive biomarker to predict the Gleason score of the PCa patients.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 découle