A deep-learning radiomics-based lymph node metastasis predictive model for pancreatic cancer: a diagnostic study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: Preoperative lymph node (LN) status is essential in formulating the treatment strategy among pancreatic cancer patients. However, it is still challenging to evaluate the preoperative LN status precisely now. METHODS: A multivariate model was established based on the multiview-guided two-stream convolution network (MTCN) radiomics algorithms, which focused on primary tumor and peri-tumor features. Regarding discriminative ability, survival fitting, and model accuracy, different models were compared. RESULTS: Three hundred and sixty-three pancreatic cancer patients were divided in to train and test cohorts by 7:3. The modified MTCN (MTCN+) model was established based on age, CA125, MTCN scores, and radiologist judgement. The MTCN+ model outperformed the MTCN model and the artificial model in discriminative ability and model accuracy. [Train cohort area under curve (AUC): 0.823 vs. 0.793 vs. 0.592; train cohort accuracy (ACC): 76.1 vs. 74.4 vs. 56.7%; test cohort AUC: 0.815 vs. 0.749 vs. 0.640; test cohort ACC: 76.1 vs. 70.6 vs. 63.3%; external validation AUC: 0.854 vs. 0.792 vs. 0.542; external validation ACC: 71.4 vs. 67.9 vs. 53.5%]. The survivorship curves fitted well between actual LN status and predicted LN status regarding disease free survival and overall survival. Nevertheless, the MTCN+ model performed poorly in assessing the LN metastatic burden among the LN positive population. Notably, among the patients with small primary tumors, the MTCN+ model performed steadily as well (AUC: 0.823, ACC: 79.5%). CONCLUSIONS: A novel MTCN+ preoperative LN status predictive model was established and outperformed the artificial judgement and deep-learning radiomics judgement. Around 40% misdiagnosed patients judged by radiologists could be corrected. And the model could help precisely predict the survival prognosis.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 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 découle