[18F]F-DCFPyL PET/MRI radiomics for intraprostatic prostate cancer detection and metastases prediction using whole-gland segmentation
Notice bibliographique
Résumé
OBJECTIVES: To evaluate [18F]F-DCFPyL PET/MRI whole-gland-derived radiomics for detecting clinically significant (cs) prostate cancer (PCa) within the prostate gland and predicting extra-prostatic metastasis (N and M staging). METHODS: In this single-centre, retrospective study, therapy-naïve PCa patients who underwent [18F]F-DCFPyL PET/MRI were included. Whole-prostate segmentation was performed. Feature extraction from each modality was done. The selection of potential variables was made through regularized binomial logistic regression. The oversampled training data were used to train binomial logistic regression for each outcome. The estimates of the models were calculated, and the mean accuracy was reported. The trained models were assessed on the test data for comparative evaluation of performance. RESULTS: A total of 103 patients (mean age = 65; mean PSA = 23.4) were studied. Among them, 89 had csPCa and 20 had metastatic disease. There were five radiomics variables selected for the International Society of Urological Pathology Grade Group (ISUP GG) ≥ 2 from T2w, ADC, and PET. To detect N1, five radiomics variables were selected from the T2w and PET. For M1, four radiomics variables were selected from T2w and ADC. Regarding the performance of models for the prediction of csPCa, the imaging-based hybrid model (T2w + PET) provided the highest AUC (0.98). The performance of N1 models showed the highest AUC (0.80) for T2w + PET. To predict M1, the T2w + ADC model showed the highest AUC (0.93). CONCLUSIONS: Whole-gland PET/MRI radiomics may provide a reliable model to predict csPCa. Also, acceptable performance was reached for predicting metastatic disease in our limited population. Our findings may support the value of whole-gland radiomics for non-invasive csPCa detection and prediction of metastatic disease. ADVANCES IN KNOWLEDGE: Whole-gland PET/MRI radiomics, a less operator-dependent segmentation method, can be potentially used for treatment personalization in PCa patients. TRIAL REGISTRATION: NCT03535831. Registered 2018; NCT03149861. Registered 2017.
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 | 0,000 | 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 ».