Predictive radiomics signature for treatment response to nivolumab in patients (pts) with advanced renal cell carcinoma (RCC)
Notice bibliographique
Résumé
Background: Although nivolumab has been widely adopted as a treatment for advanced RCC, only a minority of pts benefit. We aimed to use radiomics as a predictive biomarker. By extracting quantitative information from serial imaging, this non-invasive method captures the spatial and temporal heterogeneity of tumors, more than tissue biopsy. We hypothesized to find an imaging correlate of host immune recognition, characterized by infiltration of the invasive tumor margin by immune effector cells, that would identify pts to benefit from nivolumab. Methods: We retrospectively identified all advanced RCC pts treated with nivolumab at our institution from 2013-2017. Pts were labelled as responders (CR / PR / durable SD) or non-responders based on clinical data. For each pt, lesions were contoured from pre-treatment and first on-treatment CT scans. All lesions were manually contoured in tandem by two trained investigators. This information was used to train a radial basis function support vector machine classifier to learn a prediction rule to distinguish responders versus non-responders. The classifier was internally validated by 10-fold nested cross-validation. Results: 37 pts were identified. Excluded: imaging unavailable = 3, incompatible CT protocols = 7. 104 lesions were contoured from 27 pts. Median age 56 years, 78% male, 89% clear cell histology, 89% prior nephrectomy, 89% prior systemic therapy. 19 responders vs 8 non-responders. Lesions: 60% lymph nodes, 23% lung metastases, 17% renal/adrenal metastases. For the classifier trained on the baseline CT scans, 69% accuracy was achieved. For the classifier trained on the first on-treatment CT scans, 66% accuracy was achieved. Conclusions: Based on preliminary computations, the radiomics signature could discriminate nivolumab responders from non-responders. Additional texture feature analysis with over 72 billion calculations is underway to improve the classifier performance to discriminate tumor responses to immunotherapy. External validation against the comprehensive patient dataset from the International Metastatic Renal Cell Cancer Database Consortium is planned. Legal entity responsible for the study: Dr Hao-Wen Sim and Dr Aaron Hansen. Funding: Awarded $40,000 from peer-reviewed 2017 GUMOC Astellas Research Grant. Disclosure: All authors have declared no conflicts of interest.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».