Refine
Document Type
- Article (4)
Has Fulltext
- yes (4)
Is part of the Bibliography
- no (4)
Keywords
- Artificial intelligence (1)
- Machine learning (1)
- Multiparametric MRI (1)
- Prostate cancer (1)
- Radiomics (1)
- biodiversity (1)
- misallocation rate (1)
- misinterpretation rate (1)
- overlooking rate (1)
- vegetation monitoring (1)
Institute
- Medizin (3)
- Informatik und Mathematik (1)
Flächenbezogene Artenzahlen sind besonders im Kontext von Monitoringprojekten grundlegend für die Beurteilung von Veränderungen der Biodiversität. Diese Studie vergleicht die von neun Bearbeitern (5 Einzelbearbeiter, 2 Zweierteams) erfasste Zahl an Gefäßpflanzenarten bei Vegetationserhebungen auf markierten Flächen von 4, 100 und 400 m2 Größe in einem artenreichen Kalkbuchenwald im Göttinger Stadtwald. Dabei wurden Bearbeiter- und Zeiteffekte untersucht, sowie artspezifische Übersehensraten, Fehlbestimmungsraten und Ungenauigkeiten bei der Zuordnung von Pflanzenindividuen zur jeweiligen Aufnahmefläche (Fehlzuordnungsraten) abgeschätzt.
Protokollierte Fragen ließen keine systematischen Unterschiede bei der Vertrautheit der Bearbeiter mit der Vegetation vor Ort erkennen, so dass Ausbildung und Erfahrung für gefundene Unterschiede ausschlaggebend sein dürften. Bei den 4 m2 großen Erhebungseinheiten ergaben sich bei der Artenzahl relative Abweichungen der Bearbeiter vom Erwartungswert von 8 bis 26 % (1 bis 4 Arten absolut). Diese waren bei den 100 m2 großen Erhebungseinheiten mit 9 bis 27 % (2 bis 6 Arten absolut) höher. Mit zunehmender Flächengröße nahm der Flächenidentitätseffekt tendenziell ab und der Bearbeitereffekt signifikant zu. Bei den 100 m2 großen Flächen hatte eine längere Bearbeitungszeit einen positiven Effekt auf die Artenzahl.
Mit Hilfe artbezogener Auswertungen wurden Übersehens-, Fehlbestimmungs- und Fehlzuordnungsraten ermittelt. Nicht eine Art wurde von allen Bearbeitern auf allen Flächen gefunden, auf denen sie jeweils auftrat. Schwer differenzierbare Arten sowie Arten in ungünstigen Entwicklungsstadien wiesen höhere Übersehens-, aber auch höhere Fehlbestimmungsraten auf. Bei morphologisch gut charakterisierten Arten wurde bei Einzelfunden von einer Fehlzuordnung zur Erhebungseinheit ausgegangen.
Die erzielten Ergebnisse sind auch für andere Projekte zur Erfassung der Biodiversität relevant und Bemühungen zur Reduzierung entsprechender Bearbeitereffekte sollten unternommen werden. Eine organisatorische Einbindung entsprechender Bemühungen wird vorgeschlagen.
Objectives: To analyze the performance of radiological assessment categories and quantitative computational analysis of apparent diffusion coefficient (ADC) maps using variant machine learning algorithms to differentiate clinically significant versus insignificant prostate cancer (PCa). Methods: Retrospectively, 73 patients were included in the study. The patients (mean age, 66.3 ± 7.6 years) were examined with multiparametric MRI (mpMRI) prior to radical prostatectomy (n = 33) or targeted biopsy (n = 40). The index lesion was annotated in MRI ADC and the equivalent histologic slides according to the highest Gleason Grade Group (GrG). Volumes of interest (VOIs) were determined for each lesion and normal-appearing peripheral zone. VOIs were processed by radiomic analysis. For the classification of lesions according to their clinical significance (GrG ≥ 3), principal component (PC) analysis, univariate analysis (UA) with consecutive support vector machines, neural networks, and random forest analysis were performed. Results: PC analysis discriminated between benign and malignant prostate tissue. PC evaluation yielded no stratification of PCa lesions according to their clinical significance, but UA revealed differences in clinical assessment categories and radiomic features. We trained three classification models with fifteen feature subsets. We identified a subset of shape features which improved the diagnostic accuracy of the clinical assessment categories (maximum increase in diagnostic accuracy ΔAUC = + 0.05, p < 0.001) while also identifying combinations of features and models which reduced overall accuracy. Conclusions: The impact of radiomic features to differentiate PCa lesions according to their clinical significance remains controversial. It depends on feature selection and the employed machine learning algorithms. It can result in improvement or reduction of diagnostic performance.
