Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | Universidade Federal de Uberlândia (UFU) | - |
Autor(es): dc.contributor | Instituto Oswaldo Cruz (IOC) | - |
Autor(es): dc.creator | Antunes, Maria Eliza | - |
Autor(es): dc.creator | Araújo, Thaise Gonçalves | - |
Autor(es): dc.creator | Till, Tatiana Martins | - |
Autor(es): dc.creator | Pantaleão, Eliana | - |
Autor(es): dc.creator | Mancera, Paulo F. A. | - |
Autor(es): dc.creator | Oliveira, Marta Helena de | - |
Data de aceite: dc.date.accessioned | 2025-08-21T18:31:37Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T18:31:37Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2024-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.3389/fonc.2025.1535091 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/302063 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/302063 | - |
Descrição: dc.description | Prostate cancer (PCa) recurrence affects between 20% and 40% of patients, being a significant challenge for predicting clinical outcomes and increasing survival rates. Although serum PSA levels, Gleason score, and tumor staging are sensitive for detecting recurrence, they present low specificity. This study compared the performance of three supervised machine learning models, Naive Bayes (NB), Support Vector Machine (SVM), and Artificial Neural Network (ANN) for classifying PCa recurrence events using a dataset of 489 patients from The Cancer Genome Atlas (TCGA). Besides comparing the models performance, we searched for analyzing whether the incorporation of specific genes expression in the predictor set would enhance the prediction of PCa recurrence, then suggesting these genes as potential biomarkers of patient prognosis. The models showed accuracy above 60% and sensitivity above 65% in all combinations. ANN models were more consistent in their performance across different predictor sets. Notably, SVM models showed strong results in precision and specificity, particularly considering the inclusion of genes selected by feature selection (NETO2, AR, HPN, and KLK3), without compromising sensitivity. However, the relatively high standard deviations observed in some metrics indicate variability across simulations, suggesting a gap for additional studies via different datasets. These findings suggest that genes are potential biomarkers for predicting PCa recurrence in the dataset, representing a promising approach for early prognosis even before the main treatment. | - |
Descrição: dc.description | Graduate Program in Biometrics Instituto de Biociências de Botucatu (IBB) Universidade Estadual Paulista (UNESP), São Paulo | - |
Descrição: dc.description | Department of Biodiversity and Biostatistics Instituto de Biociências de Botucatu (IBB) Universidade Estadual Paulista (UNESP), São Paulo | - |
Descrição: dc.description | Institute of Biotechnology Universidade Federal de Uberlândia (UFU, Patos de Minas | - |
Descrição: dc.description | Laboratory of Clinical and Experimental Pathophysiology Instituto Oswaldo Cruz (IOC), Rio de Janeiro | - |
Descrição: dc.description | School of Computing Universidade Federal de Uberlândia (UFU, Patos de Minas | - |
Descrição: dc.description | Institute of Mathematics and Statistics Universidade Federal de Uberlândia (UFU, Patos de Minas | - |
Descrição: dc.description | Graduate Program in Biometrics Instituto de Biociências de Botucatu (IBB) Universidade Estadual Paulista (UNESP), São Paulo | - |
Descrição: dc.description | Department of Biodiversity and Biostatistics Instituto de Biociências de Botucatu (IBB) Universidade Estadual Paulista (UNESP), São Paulo | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Frontiers in Oncology | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | artificial intelligence | - |
Palavras-chave: dc.subject | molecular markers | - |
Palavras-chave: dc.subject | next generation sequencing | - |
Palavras-chave: dc.subject | prognostic | - |
Palavras-chave: dc.subject | supervised learning | - |
Título: dc.title | Machine learning models for predicting prostate cancer recurrence and identifying potential molecular biomarkers | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: