MétaCan
Menu
Retour à la cohorte
Enregistrement W3125770257 · doi:10.1038/s41598-021-81272-x

Utility of T2-weighted MRI texture analysis in assessment of peripheral zone prostate cancer aggressiveness: a single-arm, multicenter study

2021· article· en· W3125770257 sur OpenAlexaff
Gabriel A. Nketiah, Mattijs Elschot, Tom W. J. Scheenen, Marnix C. Maas, Tone F. Bathen, Kirsten M. Selnæs, Ulrike Attenberger, Pascal Baltzer, Jurgen J. Fütterer, Masoom A. Haider, Thomas H. Helbich, Berthold Kiefer, Katarzyna J. Macura, Daniel Margolis, Anwar R. Padhani, Stephen H. Polanec, Marleen Praet, Stefan O. Schoenberg, Theodorus van der Kwast, Geert Villeirs, Trond Viset, Heninrich von Busch

Notice bibliographique

RevueScientific Reports · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensPrincess Margaret Cancer CentreUniversity of TorontoUniversity Health NetworkSinai Health SystemLunenfeld-Tanenbaum Research InstituteInstitute of Cancer Research
Organismes subventionnairesHelse Midt-NorgeNorges Teknisk-Naturvitenskapelige UniversitetKreftforeningen
Mots-clésHistogramMedicinePattern recognition (psychology)Prostate cancerEffective diffusion coefficientArtificial intelligencePrincipal component analysisNuclear medicineMagnetic resonance imagingRadiologyCancerComputer scienceInternal medicine

Résumé

récupéré en direct d'OpenAlex

Abstract T 2 -weighted (T 2 W) MRI provides high spatial resolution and tissue-specific contrast, but it is predominantly used for qualitative evaluation of prostate anatomy and anomalies. This retrospective multicenter study evaluated the potential of T 2 W image-derived textural features for quantitative assessment of peripheral zone prostate cancer (PCa) aggressiveness. A standardized preoperative multiparametric MRI was performed on 87 PCa patients across 6 institutions. T 2 W intensity and apparent diffusion coefficient (ADC) histogram, and T 2 W textural features were computed from tumor volumes annotated based on whole-mount histology. Spearman correlations were used to evaluate association between textural features and PCa grade groups (i.e. 1–5). Feature utility in differentiating and classifying low-(grade group 1) vs. intermediate/high-(grade group ≥ 2) aggressive cancers was evaluated using Mann–Whitney U-tests, and a support vector machine classifier employing “hold-one-institution-out” cross-validation scheme, respectively. Textural features indicating image homogeneity and disorder/complexity correlated significantly ( p < 0.05) with PCa grade groups. In the intermediate/high-aggressive cancers, textural homogeneity and disorder/complexity were significantly lower and higher, respectively, compared to the low-aggressive cancers. The mean classification accuracy across the centers was highest for the combined ADC and T 2 W intensity-textural features (84%) compared to ADC histogram (75%), T 2 W histogram (72%), T 2 W textural (72%) features alone or T 2 W histogram and texture (77%), T 2 W and ADC histogram (79%) combined. Texture analysis of T 2 W images provides quantitative information or features that are associated with peripheral zone PCa aggressiveness and can augment their classification.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,085
Score d'incertitude au seuil0,754

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,334
Écart entre enseignants0,321 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207