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 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».