Artificial Intelligence System for Predicting Prostate Cancer Lesions from Shear Wave Elastography Measurements
Notice bibliographique
Résumé
(1) Objective: To design an artificial intelligence system for prostate cancer prediction using the data obtained by shear wave elastography of the prostate, by comparing it with the histopathological exam of the prostate biopsy specimens. (2) Material and methods: We have conducted a prospective study on 356 patients undergoing transrectal ultrasound-guided prostate biopsy, for suspicion of prostate cancer. All patients were examined using bi-dimensional shear wave ultrasonography, which was followed by standard systematic transrectal prostate biopsy. The mean elasticity of each of the twelve systematic biopsy target zones was recorded and compared with the pathological examination results in all patients. The final dataset has included data from 223 patients with confirmed prostate cancer. Three machine learning classification algorithms (logistic regression, a decision tree classifier and a dense neural network) were implemented and their performance in predicting the positive lesions from the elastographic data measurements was assessed. (3) Results: The area under the curve (AUC) results were as follows: for logistic regression-0.88, for decision tree classifier-0.78 and for the dense neural network-0.94. Further use of an upsampling strategy for the training set of the neural network slightly improved its performance. Using an ensemble learning model, which combined the three machine learning models, we have obtained a final accuracy of 98%. (4) Conclusions: Bi-dimensional shear wave elastography could be very useful in predicting prostate cancer lesions, especially when it benefits from the computational power of artificial intelligence and machine learning algorithms.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».