Novel Bone Scan Features for Predicting Prognosis in Men With Bone Metastatic Prostate Cancer: A Retrospective Study
Notice bibliographique
Résumé
Background: Bone metastasis frequently occurs in patients with prostate cancer, however, a consensus has not been reached regarding bone scan image analysis.We aimed to analyse various bone scan imaging features of metastatic prostate cancer and to assess their impact on prognosis.Methods: One thousand five hundred sixty-three paired sets of bone scan images (anterior and posterior) were obtained from patients with metastatic prostate cancer at Seoul National University Hospital.U-Net architecture was used for the segmentation of metastatic bone lesions.Imaging features describing the overall metastatic burden (n = 18) and largest metastatic burden (n = 32) were extracted using computer vision techniques.Kaplan-Meier survival analysis and Cox proportional risk model were used to analyse the prognostic impact of each feature. Results:The correlation coefficient between the actual number of lesions and that predicted by the deep learning model was 0.87, indicating a strong correlation.Multivariate Cox regression showed that metastasis intensity difference (hazard ratio [HR], 0.53; P = 0.002) and the largest metastasis percentage (HR, 0.62; P = 0.038) were independently associated with disease progression and were even more strongly associated with the number of metastases (current standard).The Kaplan-Meier curve revealed that a higher total metastasis ratio (P < 0.001), a higher total metastasis intensity difference (P = 0.030), the largest metastatic lesion percentage (P < 0.001), compactness (P = 0.028), and eccentricity (P = 0.070) were associated with shorter progression-free survival.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».