MétaCan
Menu
Retour à la cohorte
Enregistrement W4379332778 · doi:10.1200/jco.2023.41.16_suppl.5035

Digital histopathology-based multimodal artificial intelligence scores predict risk of progression in a randomized phase III trial in patients with nonmetastatic castration-resistant prostate cancer.

2023· article· en· W4379332778 sur OpenAlexaff
Felix Y. Feng, Matthew R. Smith, Fred Saad, Pooya Mobadersany, Shaozhou K. Tian, Stephen Yip, Joel Greshock, Najat Khan, Margaret K. Yu, Sharon McCarthy, Sabine Brookman‐May, Tamara R. Todorović, Rikiya Yamashita, Huei–Chung Huang, Timothy N. Showalter, Akinori Mitani, Andre Esteva, Eric J. Small

Notice bibliographique

RevueJournal of Clinical Oncology · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensCentre Hospitalier de l’Université de Montréal
Organismes subventionnairesJanssen Biotech
Mots-clésMedicineProstate cancerPlaceboInternal medicineProportional hazards modelRandomized controlled trialBiopsyOncologyAndrogen deprivation therapyCancerUrologyPathology

Résumé

récupéré en direct d'OpenAlex

5035 Background: The addition of apalutamide (APA) to androgen deprivation therapy (ADT) improved metastasis-free survival (MFS) and second progression-free survival (PFS2) among patients (pts) with nonmetastatic castration-resistant prostate cancer (nmCRPC) [1]. We applied a previously-reported digital histopathology-based multimodal AI (MMAI) algorithm developed based on 5 phase III randomized trials, validated, and accepted to NCCN guidelines for localized prostate cancer, to evaluate whether MMAI could define risk of progression among nmCRPC pts treated with APA or placebo in the SPARTAN trial. Methods: Pts enrolled in the SPARTAN trial with available H&E-stained biopsy slides from their primary diagnosis were included. H&E slides were digitized. Baseline clinical parameters to generate MMAI scores were Gleason score, age, T stage, and PSA. MMAI scores for distant metastasis (DM) were generated, ranging from 0 to 1. Pts were further categorized into MMAI non-high-risk and high-risk groups using a previously established score cutoff. Kaplan Meier estimates were calculated for PFS2 and MFS; comparisons were performed using log-rank test and Cox proportional-hazards regression for treatment arms and MMAI risk groups. Two-way ANOVA was used to evaluate the interaction between treatment arms and risk groups. Results: The study included 471 pts with 1051 biopsy pathology slides: 311 pts treated with APA, and 156 with placebo. 55 pts were excluded due to missing treatment (n=4) or clinical data (n=49) and inadequate H&E images (n=2), resulting in 273 evaluable APA-treated and 147 placebo-treated pts. 63% of pts were MMAI high risk and 37% MMAI non-high risk. MMAI high risk pts demonstrated significant improvement in MFS with APA (HR 0.19 (95% CI: 0.12-0.29, p<0.005)), but not in PFS2 (HR 0.76 (95% CI: 0.45-1.28, p=0.30)). There was a significant interaction between MMAI risk group and treatment for MFS (p=0.02). Among the placebo-treated cohort, MMAI high risk status was associated with shorter MFS (HR 2.98 (95% CI: 1.72-5.18, p<0.005)) and PFS2 (HR 1.83 (95% CI: 1.09-3.09, p=0.02)). For APA-treated pts, MMAI risk group was not associated with MFS and PFS2. Conclusions: These findings suggest that MMAI may provide prognostic risk stratification for nmCRPC pts and that MMAI high-risk pts may benefit most from treatment with APA. The current results represent the first evaluation of this MMAI classifier in the nmCRPC setting. Prospective validation is warranted. [1] Smith MR, Saad F, Chowdhury S, et al.; SPARTAN Investigators. Apalutamide treatment and metastasis-free survival in prostate cancer. N Engl J Med. 2018;378(15):1408-1418. Clinical trial information: NCT01946204 .

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
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 Opus0,049
Tête enseignante GPT0,451
Écart entre enseignants0,402 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai randomisé
Domainenon disponible
GenreEmpirique

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

En bref

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical OncologyMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207