MétaCan
Menu
Retour à la cohorte
Enregistrement W1824790222 · doi:10.3109/0284186x.2015.1061214

External validation of a prognostic CT-based radiomic signature in oropharyngeal squamous cell carcinoma

2015· article· en· W1824790222 sur OpenAlexaff
Ralph T. H. Leijenaar, Sara Carvalho, Frank Hoebers, Hugo J.W.L. Aerts, Wouter J. C. van Elmpt, Shao Hui Huang, Hon Biu Chan, John Waldron, Brian O’Sullivan, Philippe Lambin

Notice bibliographique

RevueActa Oncologica · 2015
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensPrincess Margaret Cancer CentreUniversity of Toronto
Organismes subventionnairesNational Cancer InstituteStichting voor de Technische WetenschappenNederlandse Organisatie voor Wetenschappelijk Onderzoek
Mots-clésMedicineProportional hazards modelCohortHead and neck cancerLog-rank testHead and neck squamous-cell carcinomaOncologyLung cancerInternal medicineNuclear medicineHead and neckRadiologyCancerSurgery

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Oropharyngeal squamous cell carcinoma (OPSCC) is one of the fastest growing disease sites of head and neck cancers. A recently described radiomic signature, based exclusively on pre-treatment computed tomography (CT) imaging of the primary tumor volume, was found to be prognostic in independent cohorts of lung and head and neck cancer patients treated in the Netherlands. Here, we further validate this signature in a large and independent North American cohort of OPSCC patients, also considering CT artifacts. METHODS: A total of 542 OPSCC patients were included for which we determined the prognostic index (PI) of the radiomic signature. We tested the signature model fit in a Cox regression and assessed model discrimination with Harrell's c-index. Kaplan-Meier survival curves between high and low signature predictions were compared with a log-rank test. Validation was performed in the complete cohort (PMH1) and in the subset of patients without (PMH2) and with (PMH3) visible CT artifacts within the delineated tumor region. RESULTS: We identified 267 (49%) patients without and 275 (51%) with visible CT artifacts. The calibration slope (β) on the PI in a Cox proportional hazards model was 1.27 (H0: β = 1, p = 0.152) in the PMH1 (n = 542), 0.855 (H0: β = 1, p = 0.524) in the PMH2 (n = 267) and 1.99 (H0: β = 1, p = 0.002) in the PMH3 (n = 275) cohort. Harrell's c-index was 0.628 (p = 2.72e-9), 0.634 (p = 2.7e-6) and 0.647 (p = 5.35e-6) for the PMH1, PMH2 and PMH3 cohort, respectively. Kaplan-Meier survival curves were significantly different (p < 0.05) between high and low radiomic signature model predictions for all cohorts. CONCLUSION: Overall, the signature validated well using all CT images as-is, demonstrating a good model fit and preservation of discrimination. Even though CT artifacts were shown to be of influence, the signature had significant prognostic power regardless if patients with CT artifacts were included.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,290
Écart entre enseignants0,269 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations220
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueActa OncologicaMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207