MétaCan
Menu
Retour à la cohorte
Enregistrement W4321498667 · doi:10.1038/s41746-023-00769-z

Author Correction: Prostate cancer therapy personalization via multi-modal deep learning on randomized phase III clinical trials

2023· erratum· en· W4321498667 sur OpenAlexaff
Andre Esteva, Jean Feng, Douwe van der Wal, Shih-Cheng Huang, Jeffry Simko, Sandy DeVries, Emmalyn Chen, Edward M. Schaeffer, Todd M. Morgan, Yilun Sun, Amirata Ghorbani, Nikhil Naik, Dhruv Nathawani, Richard Socher, Jeff M. Michalski, Mack Roach, Thomas M. Pisansky, Jedidiah M. Monson, Farah Naz, James A. Wallace, Michelle Ferguson, Jean-Paul Bahary, James Zou, Matthew P. Lungren, Serena Yeung, Ashley E. Ross, Michael Jonathan Kucharczyk, Luís Souhami, Leslie Ballas, Christopher A. Peters, Sandy Liu, Alexander G. Balogh, Pamela Randolph-Jackson, M.R. Girvigian, Naoyuki G. Saito, Adam Raben, Rachel Rabinovitch, Khalil Katato, Howard M. Sandler, Phuoc T. Tran, Daniel E. Spratt, Stephanie Pugh, Felix Y. Feng, Osama Mohamad

Notice bibliographique

Revuenpj Digital Medicine · 2023
Typeerratum
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensMcGill University Health CentreNova Scotia Cancer CentreCentre Hospitalier de l’Université de MontréalHorizon Health NetworkOccupational Cancer Research CentreSaint John Regional Hospital
Organismes subventionnairesnon disponible
Mots-clésPersonalizationProstate cancerRandomized controlled trialModalPhase (matter)MedicineMedical physicsCancerComputer scienceInternal medicineWorld Wide WebPhysicsMaterials science

Résumé

récupéré en direct d'OpenAlex

The original version of the published Article contained an error in the description of the prostate tissue samples in the Methods and Results sections, which stated that “pretreatment biopsy samples” and “pretreatment prostate biopsies” were used in this study. Both instances have been updated to “pretreatment and posttreatment prostate tissue”, and these changes are reflected in the HTML and PDF versions of the Article. Furthermore, we have added descriptions of the use of posttreatment prostate tissue during model development throughout the Article.

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)0,011
score de la tête « metaresearch » (Gemma)0,050
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,825
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0110,050
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0050,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,005
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 Opus0,089
Tête enseignante GPT0,463
Écart entre enseignants0,374 · 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.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

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

En bref

Citations4
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuenpj Digital MedicineMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207