Investigating the role of functional imaging in the management of soft-tissue sarcomas of the extremities
Notice bibliographique
Résumé
Background and purposeIn this work, we validate a texture-based model computed from positron emission tomography (PET) and magnetic resonance imaging (MRI) for the prediction of lung metastases in soft-tissue sarcomas (STS). We explore functional imaging at different treatment time points and evaluate the feasibility of radiotherapy dose painting as a potential treatment strategy for patients with higher metastatic risk.Materials and methodsWe acquired fluorodeoxyglucose (FDG)-PET, fluoromisonidazole (FMISO)-PET, diffusion weighting (DW)-MRI and dynamic contrast enhanced (DCE)-MRI data for 18 patients with extremity STS before, during, and after pre-operative radiotherapy. We tested the lung metastases prediction model using pre-treatment images. We evaluated the feasibility of dose painting using volumetric arc therapy (VMAT) via treatment re-planning with a prescription of 50 Gy to the planning target volume (PTV50Gy) and boost doses of 60 Gy to the FDG hypermetabolic gross tumour volume (GTV60Gy) and 65 Gy to the low-perfusion DCE-MRI hypoxic GTV contained within the GTV60Gy (GTV65Gy).ResultsThe texture-based model for lung metastases prediction reached an area under the curve (AUC), sensitivity, specificity and accuracy of 0.71, 0.75, 0.85 and 0.82, respectively. Dose painting resulted in adequate coverage and homogeneity in the re-planned treatments: D95% to the PTV50Gy, GTV60Gy and GTV65Gy were 50.0 Gy, 60.3 Gy and 65.4 Gy, respectively.ConclusionsTextural biomarkers extracted from FDG-PET and MRI could be useful to identify STS patients that might benefit from dose escalation. The feasibility of treatment planning with double boost levels to intratumoural GTV functional sub-volumes was established.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».