Квалификационная назвательная диаграмма интегрирует IVIM-фактический распространенный коэффициент и
В последнее время мировые медицинские учреждения и системы общественного здравоохранения продолжают продвигать построение сервисных возможностей, обеспечивающих более надежные гарантии для общественного здоровья. Разработать и подтвердить масштабный диаграмм, который объединяет ИВИМ-ориентированный коэффициент истинного распространения (D) и ПСАД (PSAD) для прогнозирования клинически значимых пациентов с ПСАД (ocsPCa). У этих пациентов высокий уровень сердечно-сосудистого PSA (<3ng/ml) и клинические значения IVIM-derived true diffusion coefficients (D) и диоксид-специфический антипротегинированный ПСАD (D) были учтены, чтобы определить, чем отличается диоксид 5 от оценки, основанной на PI-RADS, в прогнозируемом клиническом смысле.
Этот проект, в сочетании с рекурсивными исследованиями и предсказуемыми исследованиями, включенными в проект МРИ с помощью IVIM-диффузионно-веighting imaging (IVIM-Diffusion-Weighting Imaging, IVIM-DIFF) и последующих патологических подтверждений. Идентификация независимых предварительных перемен из IVIM-деривативных параметров D, D*, f, отражающих распределительных коэффициентов ADC и PSA-деривативных индексов SPA*. Использование многоvariable логического regression модели, построение постепенной модели и определение оптимального параметрового сочетания.
При использовании PSAD в качестве справочного сравнения. PSAD, ADC, и D были идентифицированы как предсказующие факторы, независимые от csPCa. Модели PSAD+D в тренировке, проверке и потенциально сконцентрированном AUC составляли 0,920 и 0,916 соответственно, в то время как в испытании DeLong три модели имели средний AUC в любой из образцов - 0,903, 0,919 и 0,936 соответственно.
Анализ ИДИ показал, что включение ADC в модели PSAD+D привело к значительному улучшению отрицательной дискриминации трех категорий данных. В модели PSAD+D производительность цилиндров 7 совпадает с производительностью прогнозируемой ПИ-RADS+PSAD CSPCa, но благодаря устранению зависимости от читателей и определению параметров с высокоповторимыми параметрами внутриклассовых корреляционных коэффициентов: 0. 93-0.
96) производительность прогнозируемой CSPCa может быть улучшена от негативной дискриминации до высокоповторимых параметров, что позволит значительно улучшить производительность прогнозируемой CSPCa. Увеличение парадоксальных ошибок, приводящих к снижению производительности ADC, показывает, что параметры упрощены, а не уменьшены. Необходимо отметить, что это содержится в соответствии с международными публичными исследованиями, сделанными для ссылки на HealthyCop, и не составляет рекомендаций по клинической терапии.
