Találati lista | Tudóstér

001-es BibID:	BIBFORM121027
035-os BibID:	(Scopus)85191322597 (WoS)001236038200001
Első szerző:	Kedves András
Cím:	Predictive value of magnetic resonance imaging diffusion parameters using artificial intelligence in low-and intermediate-risk prostate cancer patients treated with stereotactic ablative radiotherapy : a pilot study / A. Kedves, M. Akay, Y. Akay, K. Kisiván, C. Glavak, Á. Miovecz, Á. Schiffer, Z. Kisander, A. Lőrincz, A. Szőke, B. Sánta, O. Freihat, D. Sipos, Á. Kovács, F. Lakosi
Dátum:	2024
ISSN:	1078-8174 1532-2831
Megjegyzések:	Introduction: To investigate the predictive value of the pre-treatment diffusion parameters of diffusionweighted magnetic resonance imaging (DW-MRI) using artificial intelligence (AI) for prostate-specific antigen (PSA) response in patients with low- and intermediate-risk prostate cancer (PCa) treated with stereotactic ablative radiotherapy (SABR). Methods: Retrospective evaluation was performed for 30 patients using pre-treatment multi-parametric MR image datasets between 2017 and 2021. MR-based mean- and minimum apparent diffusion coefficients (ADCmean, ADCmin) were calculated for the intraprostatic dominant lesion. Therapeutic response was assessed using PSA levels. Predictive performance was assessed by the receiver operating characteristic (ROC) analysis. Statistics performed with a significance level of p 0.05. Results: No biochemical relapse was detected after a median follow-up of twenty-three months (range: 3 e50), with a median PSA of 0.01 ng/ml (range: 0.006e2.8) at the last examination. Significant differences were observed between the pre-treatment ADCmean, ADCmin parameters, and the group averages of patients with low and high 1-year-PSA measurements (p < 0.0001, p < 0.0001). In prediction, the random forest (RF) model outperformed the decision tree (DT) and support vector machine (SVM) models by yielding area under the curves (AUC), with 0.722, 0.685, and 0.5, respectively. Conclusion: Our findings suggest that pre-treatment MR diffusion data may predict therapeutic response using the novel approach of machine learning in PCa patients treated with SABR. Implications for practice: Clinicians shall measure and implement the evaluation of the suggested parameters (ADCmin, ADCmean) to provide the most accurate therapy for the patient
Tárgyszavak:	Orvostudományok Klinikai orvostudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk ADC Machine learning Multiparametric Predictive Prostate cancer Prediction models SABR artificial intelligence
Megjelenés:	Radiography. - 30 : 3 (2024), p. 986-994. -
További szerzők:	Akay, M. Akay, Y. Kisiván K. Glavák Csaba Miovecz Á. Schiffer Á. Kisander Z. Lőrincz Ádám Szőke A. Sánta Balázs Freihat, Omar Sipos Dávid Kovács Árpád (1979-) (onkoradiológus, klinikai onkológus) Lakosi Ferenc
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM083714
035-os BibID:	(WoS)000492444408091
Első szerző:	Kedves András
Cím:	18F-FDG PET/MR multiparametic measurement of head and neck cancer patients underwent modern 3D based radiotherapy : preliminary results / A. Kedves, Z. Tóth, T. Pintér, B. Sánta, Z. Cselik, V. Koczka, D. Sipos, F. Omar, G. Bajzik, J. Hadjiev, I. Repa, M. Moizs, Á. Kovács
Dátum:	2019
ISSN:	1619-7070 1619-7089
Tárgyszavak:	Orvostudományok Elméleti orvostudományok idézhető absztrakt folyóiratcikk
Megjelenés:	European Journal Of Nuclear Medicine And Molecular Imaging. - 46 : Suppl. 1 (2019), p. 886. -
További szerzők:	Tóth Z. (orvos) Pintér Tamás Sánta Balázs Cselik Zsolt Koczka V. Sipos D. Omar, F. Bajzik Gábor (1968-) (orvos) Hadjiev, Janaki Repa Imre (1950-) (radiológus) Moizs Marianna (1964-) (orvos) Kovács Árpád (1979-) (onkoradiológus, klinikai onkológus)
Internet cím:	Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon: