Findings on Diagnostic Magnetic Resonance Imaging Before Radiotherapy for Prostate Cancer
Notice bibliographique
Résumé
Purpose Pre-treatment diagnostic magnetic resonance imaging (MRI) is used in prostate cancer detection and staging; however, little is known about its potential for radiotherapy treatment decision, or its prognostic value. We investigated the findings on pre-treatment MRI and its potential influence on treatment decisions, and its ability to predict biochemical recurrence in patients treated with radiotherapy. Methods Files of patients treated by radiotherapy from 2014 to 2022 were searched for if they had had an MRI within 12 months before radiotherapy. Prostate Imaging Reporting & Data System (PI-RADS) score, index lesion diameter and the presence of organ confined disease or extra-prostatic extension were correlated with their Cancer of the Prostate Risk Assessment (CAPRA) score. Distribution of radiological and clinical features between groups were estimated using a chi-squared test. Results Out of 1280 patients, 314 (24.5%) had an MRI. The distribution depended on the treatment received: 22.5% who received low-dose rate (LDR) brachytherapy as monotherapy, 24.0% treated with high-dose rate (HDR) boost and 32.0% treated with external-beam radiotherapy (EBRT) ( P = .017). The CAPRA score significantly correlated with the PI-RADS score (r = .342, P < .01) and the diameter of the index lesion (r = .473, P < .01). A clinically significant number of 22% patients with CAPRA ≤ 3 disease presented with lesions ≥15 mm and were less likely to be treated with LDR monotherapy ( P < .01). 39 patients had a recurrence, only 5 had an MRI: 4 had a lesion of ≥20 mm and 3 a seminal vesicle invasion. Conclusion More than twenty percent of patients with CAPRA ≤3 presented on MRI a ≥15 mm lesion. An MRI could potentially affect treatment choice, and although exploratory our results suggest an important prognostic potential.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,004 | 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 ».