Artificial intelligence-aided detection for prostate cancer with multimodal routine health check-up data: an Asian multi-center study
Notice bibliographique
Résumé
BACKGROUND: The early detection of high-grade prostate cancer (HGPCa) is of great importance. However, the current detection strategies result in a high rate of negative biopsies and high medical costs. In this study, the authors aimed to establish an Asian Prostate Cancer Artificial intelligence (APCA) score with no extra cost other than routine health check-ups to predict the risk of HGPCa. PATIENTS AND METHODS: A total of 7476 patients with routine health check-up data who underwent prostate biopsies from January 2008 to December 2021 in eight referral centres in Asia were screened. After data pre-processing and cleaning, 5037 patients and 117 features were analyzed. Seven AI-based algorithms were tested for feature selection and seven AI-based algorithms were tested for classification, with the best combination applied for model construction. The APAC score was established in the CH cohort and validated in a multi-centre cohort and in each validation cohort to evaluate its generalizability in different Asian regions. The performance of the models was evaluated using area under the receiver operating characteristic curve (ROC), calibration plot, and decision curve analyses. RESULTS: Eighteen features were involved in the APCA score predicting HGPCa, with some of these markers not previously used in prostate cancer diagnosis. The area under the curve (AUC) was 0.76 (95% CI:0.74-0.78) in the multi-centre validation cohort and the increment of AUC (APCA vs. PSA) was 0.16 (95% CI:0.13-0.20). The calibration plots yielded a high degree of coherence and the decision curve analysis yielded a higher net clinical benefit. Applying the APCA score could reduce unnecessary biopsies by 20.2% and 38.4%, at the risk of missing 5.0% and 10.0% of HGPCa cases in the multi-centre validation cohort, respectively. CONCLUSIONS: The APCA score based on routine health check-ups could reduce unnecessary prostate biopsies without additional examinations in Asian populations. Further prospective population-based studies are warranted to confirm these results.
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 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 | 0,001 | 0,000 |
| 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 tête enseignante, 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 ».