From classical approaches to artificial intelligence, old and new tools for PDAC risk stratification and prediction
Notice bibliographique
Résumé
Pancreatic ductal adenocarcinoma (PDAC) is recognized as one of the most lethal malignancies, characterized by late-stage diagnosis and limited therapeutic options. Risk stratification has traditionally been performed using epidemiological studies and genetic analyses, through which key risk factors, including smoking, diabetes, chronic pancreatitis, and inherited predispositions, have been identified. However, the multifactorial nature of PDAC has often been insufficiently addressed by these methods, leading to limited precision in individualized risk assessments. Advances in artificial intelligence (AI) have been proposed as a transformative approach, allowing the integration of diverse datasets-spanning genetic, clinical, lifestyle, and imaging data into dynamic models capable of uncovering novel interactions and risk profiles. In this review, the evolution of PDAC risk stratification is explored, with classical epidemiological frameworks compared to AI-driven methodologies. Genetic insights, including genome-wide association studies and polygenic risk scores, are discussed, alongside AI models such as machine learning, radiomics, and deep learning. Strengths and limitations of these approaches are evaluated, with challenges in clinical translation, such as data scarcity, model interpretability, and external validation, addressed. Finally, future directions are proposed for combining classical and AI-driven methodologies to develop scalable, personalized predictive tools for PDAC, with the goal of improving early detection and patient outcomes.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».