Using radiogenomics to characterize MRI-guided prostate cancer biopsy heterogenity.
Notice bibliographique
Résumé
25 Background: Current methods for prostate cancer risk stratification are often insufficient to accurately predict outcome after definitive therapy. As tumor multi-focality and genetic heterogeneity can lead to diagnostic prostate biopsy sampling bias, we hypothesize that quantitative imaging with multiparametric (MP)-MRI will more accurately direct targeted biopsies to index lesions associated with highest risk clinical and genomic features, and improve accuracy of current risk classification systems. Methods: Regionally distinct prostate habitats were delineated on MP-MRI (T2w, perfusion and diffusion imaging). Directed biopsies were performed on 17 habitats from 6 patients using MRI-ultrasound fusion. Biopsy location was characterized with 51 radiographic features (including intensity, volume, perfusion, and diffusion paramters). Transcriptome-wide analysis of 1.4 million RNA probes was performed on RNA from each habitat. Genomics features with insignificant expression values (<0.25) and interquartile range <0.5 were filtered, leaving ~2K features. Results: High quality genomic data was derived from 17 (100%) biopsies and clustered by patient origin. Using only prostate cancer related genomic features for hierarchical clustering, samples clustered by Gleason score (GS), indicating these biopsies contain prognostic signal. Similarly, when principal component analysis was performed on 51 imaging features, the primary source of variance segregated the samples into high (≥7) and low (6) GS. Pearson’s correlation analysis identified 152 genomic features that were highly associated with the imaging features (|r| > 0.7). Furthermore, genomic features were found to be significantly enriched for prostate cancer related pathways (p < 0.05), representing a potential biologically meaningful link between imaging and genomic data. Conclusions: MP-MRI-targeted diagnostic biopsies can potentially improve risk classification by directing pathological and genomic analysis to highest risk index lesions. This is the first demonstration of a link between quantitative imaging features (radiomics) with genomic features in MRI-directed prostate biopsies.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».