Notice bibliographique
Résumé
Introduction:We aimed to develop a radiomics-based prognostic model using machine learning to predict lymph node invasion (lnI), biochemical recurrence (BCr), metastasis-free survival (mFs), definitive androgen deprivation therapy (dAdt)-free survival (Fs), castration-resistant prostate cancer (CrpC)-Fs, and prostate cancer-specific survival (pCss) in individuals diagnosed with high-grade prostate cancer (pCa).Methods: A total of 295 individuals with high-grade pCa (gleason score ≥8) underwent preoperative positron emission tomography (pet) with 18F-fluorodeoxyglucose (Fdg) combined with computed tomography (Ct) imaging at our tertiary care health center in Quebec City, Canada.Clinical data (Cd), including age, prostate-specific antigen (psA) level, gleason score, and clinical stage, were used to build prognostic models to which handcrafted radiomics (HCr) or deep learning-based radiomics (dlr) were added to enhance performance.We trained the models using a subset of the cohort (250 individuals) and optimized them using a stratified five-fold cross-validation.the selected model was then validated using a test set of 45 individuals.performance on the test set was evaluated using the area under the curve of the receiver operator characteristic (AUC-roC) and the concordance index (C-index).A comparison with commonly used nomograms (msKCC and CAprA-s) was also made.Results: median followup was 64.7 (range 29.3-89.6)months.median age was 66 (48-80) years.median psA was 7.4 (1.1-155.3).A total of 230 (88%) and 31 (12%) had clinical t1-t2 and t3a disease, respectively.the majority (63.7%) had gleason 8.At rp, 86 (29%) individuals had lnI.At followup, 160 had BCr.In the training set, using Cd with radiomics yielded better performance for prediction of lnI (AUC 72±5 vs. 70±7 [msKCC] and 62±4 [CAprA-s]) and BCr-Fs (CI=65±6 vs. 64±3 [msKCC] and 63±4 [CAprA-s]).nomograms outperformed our combined radiomics-Cd model for prediction of other outcomes, although performances were like our Cd-only model.Conclusions: Integrating imaging data into prognostic tools through artificial intelligence enhances clinical predictions for lnI and BCr, enabling more accurate prognostication.With minimal training, we achieved better results than commonly used nomograms.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,170 | 0,102 |
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 ».