Predicting cancer detection rates from multiparametric prostate MRI
Notice bibliographique
Résumé
INTRODUCTION: Although the Prostate Imaging-Reporting and Data System (PI-RADS) categorization represents the standard method for assessing the risk of prostate cancer using prostate magnetic resonance imaging (MRI), there exists wide variation in cancer detection rates (CDRs) in real-world practice. We therefore evaluated the association of clinical and radiographic features with CDRs and developed a predictive model to improve clinical management. METHODS: We identified men aged 18-89 years with elevated prostate-specfic antigen (PSA) or on active surveillance for prostate cancer who underwent MRI-ultrasound (US) fusion biopsy or in-bore MRI-targeted biopsy. The associations of features with the per-lesion CDR (Gleason 6-10) and clinically significant (cs) CDR (Gleason 7-10) were examined using logistic regression, and results were operationalized into a predictive model. RESULTS: Targeted biopsy was performed for 347 lesions in 281 patients. Overall, the CDR was 49.0% and the csCDR was 28.0%. On multivariable analysis, increasing PI-RADS category, smaller prostate size, and increasing PSA density were independently associated with higher CDR, while prior prostate biopsy was associated with lower CDR. A solitary PI-RADS 3-5 lesion was independently associated with higher csCDR, while 2+ prior prostate biopsies was associated with a lower csCDR. A predictive model provided a greater net benefit than a strategy of performing biopsy in all PI-RADS 3-5 lesions across a wide range of threshold probabilities. CONCLUSIONS: Several clinical and radiographic features are independently associated with the risk of prostate cancer in men undergoing MRI-targeted biopsy. A predictive model based on these features can improve clinical decisions regarding biopsy compared to the conventional strategy of performing biopsy for all PI-RADS 3-5 lesions.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».