Prediction of prostate cancer by deep learning with multilayer artificial neural network
Notice bibliographique
Résumé
INTRODUCTION: To predict the rate of prostate cancer detection on prostate biopsy more accurately, the performance of deep learning using a multilayer artificial neural network was investigated. METHODS: A total of 334 patients who underwent multiparametric magnetic resonance imaging before ultrasonography guided transrectal 12-core prostate biopsy were enrolled in the analysis. Twenty-two non-selected variables, as well as selected ones by least absolute shrinkage and selection operator (Lasso) regression analysis and by stepwise logistic regression analysis, were input into the constructed multilayer artificial neural network (ANN) programs; 232 patients were used as training cases of ANN programs and the remaining 102 patients were for the test to output the probability of prostate cancer existence, accuracy of prostate cancer prediction, and area under the receiver operating characteristic (ROC) curve with the learned model. RESULTS: With any prostate cancer objective variable, Lasso and stepwise regression analyses selected 12 and nine explanatory variables, respectively, from 22. Using trained ANNs with multiple hidden layers, the accuracy of predicting any prostate cancer in test samples was about 5-10% higher compared to that with logistic regression analysis (LR). The area under the curves (AUC) with multilayer ANN were significantly larger on inputting variables that were selected by the stepwise LR compared with the AUC with LR. The ANN had a higher net benefit than LR between prostate cancer probability cutoff values of 0.38 and 0.6. CONCLUSIONS: ANN accurately predicted prostate cancer without biopsy marginally better than LR. However, for clinical application, ANN performance may still need improvement.
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 | 0,000 | 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 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 ».