Quantitative Identification of Nonmuscle‐Invasive and Muscle‐Invasive Bladder Carcinomas: A Multiparametric MRI Radiomics Analysis
Notice bibliographique
Résumé
Background Preoperative discrimination between nonmuscle‐invasive bladder carcinomas (NMIBC) and the muscle‐invasive ones (MIBC) is very crucial in the management of patients with bladder cancer (BC). Purpose To evaluate the discriminative performance of multiparametric MRI radiomics features for precise differentiation of NMIBC from MIBC, preoperatively. Study Type Retrospective, radiomics. Population Fifty‐four patients with postoperative pathologically proven BC lesions (24 in NMIBC and 30 in MIBC groups) were included. Field Strength/Sequence 3.0T MRI/T 2 ‐weighted (T 2 W) and multi‐b‐value diffusion‐weighted (DW) sequences. Assessment A total of 1104 radiomics features were extracted from carcinomatous regions of interest on T 2 W and DW images, and the apparent diffusion coefficient maps. Support vector machine with recursive feature elimination (SVM‐RFE) and synthetic minority oversampling technique (SMOTE) were used to construct an optimal discriminative model, and its performance was evaluated and compared with that of using visual diagnoses by experts. Statistical Tests Chi‐square test and Student's t ‐test were applied on clinical characteristics to analyze the significant differences between patient groups. Results Of the 1104 features, an optimal subset involving 19 features was selected from T 2 W and DW sequences, which outperformed the other two subsets selected from T 2 W or DW sequence in muscle invasion discrimination. The best performance for the differentiation task was achieved by the SVM‐RFE+SMOTE classifier, with averaged sensitivity, specificity, accuracy, and area under the curve of receiver operating characteristic of 92.60%, 100%, 96.30%, and 0.9857, respectively, which outperformed the diagnostic accuracy by experts. Data Conclusion The proposed radiomics approach has potential for the accurate differentiation of muscle invasion in BC, preoperatively. The optimal feature subset selected from multiparametric MR images demonstrated better performance in identifying muscle invasiveness when compared with that from T 2 W sequence or DW sequence only. Level of Evidence: 3 Technical Efficacy: Stage 2 J. Magn. Reson. Imaging 2019;49:1489–1498.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».