Development and Validation of a Multimodal Artificial Intelligence–derived Digital Pathology–based Biomarker Predicting Metastasis Among Patients with Biochemical Recurrence After Radical Prostatectomy in NRG/RTOG Trials
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVE: Biochemical recurrence (BCR) after radical prostatectomy (RP) is a heterogeneous disease state in prostate cancer with multiple treatment options. Improved risk stratification could enable more personalized decision-making. We developed and validated a digital pathology-based multimodal artificial intelligence (MMAI) model to predict outcomes in post-RP BCR patients undergoing salvage therapy. METHODS: An MMAI model was trained to predict distant metastasis (DM) using prostate histopathology image features and clinical variables (pathologic grade group, pathologic T stage, prostate-specific antigen level before salvage radiotherapy [SRT], age, and surgical margin). The locked model was validated in 533 patients from NRG/RTOG 9601 and 0534 treated with SRT ± hormone therapy (HT), using Cox regression and time-dependent area under the receiver operating characteristic curve. KEY FINDINGS AND LIMITATIONS: With a median follow-up of 9.3 yrs, MMAI score was significantly associated with DM (subdistribution hazard ratio = 2.17 per standard deviation [95% confidence interval 1.65-2.85]; p < 0.001) and remained independently prognostic after adjusting for clinical variables and treatment. The 10-yr time-dependent area under the receiver operating characteristic curve for MMAI was 0.74 compared with 0.68 for a clinical nomogram. Binary risk categorization demonstrated higher 10-yr DM incidence in the MMAI high-risk (25%) than in the low-risk (8.8%) group. The absolute reduction in 10-yr DM incidence with HT plus SRT versus SRT alone was 21% in the high-risk group versus 2.5% in the low-risk group. Limitations include the use of archived trial cohorts. CONCLUSIONS AND CLINICAL IMPLICATIONS: The post-RP MMAI model provides individualized risk estimates after SRT ± HT and may support shared decision-making about salvage treatment. External and prospective validation are ongoing.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».