Investigating the feasibility of stratified breast cancer screening using a masking risk predictor
Notice bibliographique
Résumé
BACKGROUND: Women with dense breasts face a double risk for breast cancer; they are at a higher risk for development of breast cancer than those with less dense breasts, and there is a greater chance that mammography will miss detection of a cancer in dense breasts due to the masking effect of surrounding fibroglandular tissue. These women may be candidates for supplemental screening. In this study, a masking risk model that was previously developed is tested on a cohort of cancer-free women to assess potential efficiency of stratification. METHODS: Three masking risk models based on (1) BI-RADS density, (2) volumetric breast density (VBD), and (3) a combination of VBD and detectability were applied to stratify the mammograms of 1897 cancer-free women. The fraction of cancer-free women whose mammograms were deemed by the algorithm to be masked and who would be considered for supplemental imaging was computed as was the corresponding fraction in a screened population of interval (masked) cancers that would be potentially detected by supplemental imaging. RESULTS: Of the models tested, the combined VBD/detectability model offered the highest efficiency for stratification to supplemental imaging. It predicted that 725 supplemental screens would be performed per interval cancer potentially detected, at an operating point that allowed detection of 64% of the interval cancers. In comparison, stratification based on the upper two BI-RADS density categories required 1117 supplemental screenings per interval cancer detected to capture 64% of interval cancers. CONCLUSION: The combined VBD/detectability models perform better than BI-RADS and offer a continuum of operating points, suggesting that this model may be effective in guiding a stratified screening environment.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 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 ».