Prediction of disease progression indicators in prostate cancer patients receiving HDR-brachytherapy using Raman spectroscopy and semi-supervised learning: a pilot study
Notice bibliographique
Résumé
This work combines Raman spectroscopy (RS) with supervised learning methods-group and basis restricted non-negative matrix factorisation (GBR-NMF) and linear discriminant analysis (LDA)-to aid in the prediction of clinical indicators of disease progression in a cohort of 9 patients receiving high dose rate brachytherapy (HDR-BT) as the primary treatment for intermediate risk (D'Amico) prostate adenocarcinoma. The combination of Raman spectroscopy and GBR-NMF-sparseLDA modelling allowed for the prediction of the following clinical information; Gleason score, cancer of the prostate risk assessment (CAPRA) score of pre-treatment biopsies and a Ki67 score of < 3.5% or > 3.5% in post treatment biopsies. The three clinical indicators of disease progression investigated in this study were predicted using a single set of Raman spectral data acquired from each individual biopsy, obtained pre HDR-BT treatment. This work highlights the potential of RS, combined with supervised learning, as a tool for the prediction of multiple types of clinically relevant information to be acquired simultaneously using pre-treatment biopsies, therefore opening up the potential for avoiding the need for multiple immunohistochemistry (IHC) staining procedures (H&E, Ki67) and blood sample analysis (PSA) to aid in CAPRA scoring.
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 | 0,001 |
| 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 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 ».