Predicting PSA50 response to $$^{177}$$Lu-PSMA therapy using machine learning and automated total tumor volume
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The 177Lu-PSMA therapy is an established treatment for metastatic castration-resistant prostate cancer (mCRPC), targeting the prostate-specific membrane antigen (PSMA). Despite well-established correlations between 68Ga-PSMA PET/CT imaging and outcome, predicting individual patient responses remains a significant challenge. This study introduces an automated method for computing the total tumor volume (TTV) from 68Ga-PSMA PET/CT imaging and develops predictive models to assess patient biological response via the PSA50 criterion. A retrospective analysis was conducted on a real-world data cohort of 139 mCRPC patients treated in our institution. TTV was automatically extracted from PET/CT images and correlated with treatment response, defined by PSA50 criteria. Machine learning models, including Logictic Regression with L1 (LASSO) and Support Vector Machine (SVM), were developed to predict PSA50 response using imaging and clinical features. The best-performing models achieved F1-scores of 0.68 and 0.67, comparable to existing nomograms. Correlation analysis identified TTV-derived features and time since diagnosis as significant predictors of response. The proposed workflow offers an automated and reproducible approach to predicting treatment response in 177Lu-PSMA therapy. Limitations remain for lesion segmentation within physiological regions.
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.
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 | 0,001 |
| 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 découle