Advancing Prostate Cancer Diagnosis and Treatment Through AI-Driven Decision-making: A Comprehensive PRISMA-Based Systematic Review
Notice bibliographique
Résumé
Decision-making during the diagnosis and treatment of prostate cancer often requires the evaluation of data from several sources. The purpose of this systematic was to evaluate how AI can enhance prostate cancer diagnosis and treatment. We search five different databases for available studies using a pre-specified search strategy. The study was conducted using PRISMA guidelines. A total of 1058 studies were found on five different databases (Scopus N=287, Web of Science N=204, PubMed/EMBASE N=306, Cochrane Library N=94, Google Scholar N=167). The articles were stored in the ENDNOTE library and all the duplicates were removed. We found 19 relevant studies that were included after a stringent assessment criterion based on the inclusion and exclusion criteria. Included studies were assessed for risk bias assessment using the Newcastle Ottawa Scale (NOS) in which one study was found to have high-risk bias assessment, seven were identified to have low-risk bias assessment while the rest of the studies were moderate. Clinicians can recognize complex correlations and handle massive data sets with the help of artificial intelligence. These tasks are extremely laborious and challenging for humans to complete. It is feasible to employ fewer resources while increasing overall effectiveness and precision in prostate cancer detection and treatment by utilizing AI algorithms and lowering the degree of subjectivity. This review provides a comprehensive comparison of AI algorithms in detection of prostate cancer.
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 | 0,058 | 0,151 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,014 | 0,018 |
| Bibliométrie | 0,020 | 0,016 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 ».