Predicting the stages of PDAC using non-invasive method
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
Pancreatic Ductal Adenocarcinoma (PDAC) is a highly lethal malignancy in which early and accurate staging is paramount for effective therapeutic decision-making and prognostication. Traditionally, the prediction of PDAC staging has depended heavily on invasive methods such as CT scans and tissue biopsies. These methods can be costly, time-consuming, and distressing for patients [1]. Recently, focus has shifted towards the development of non-invasive detection methods utilizing Machine Learning. Research conducted by the Barts Cancer Institute[2], which investigated the early detection of PDAC using bio-markers such as CA19-9, LYVE1, REG1B, REG1A, TFF1, and creatinine, has shown promising results. Our study is a subsequent investigation that relies on the same open-access data-set comprising 590 participants. It aims to first ascertain the previous work of researchers related to early detection of PDAC. Second, to investigate the possibility of utilizing the same bio-markers to predict the stage of PDAC, this differs our work from previous work. We have tried out several machine learning algorithms. Our results for the first problem, early prediction of PDAC are very promising - we achieved an accuracy of 87%, 84% and 78% for precision and recall respectively utilizing XGBoost. For the second problem, predicting the stage of PDAC, MLP neural networks yielded an accuracy of 70% with an AUC of 79%. These results are promising and better than the base models, which opens a new area for future works. Based on our work, we propose the establishment of a certified pancreatic bio-marker platform.
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 | 0,006 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,008 |
| Science ouverte | 0,008 | 0,004 |
| 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