Quantitative imaging biomarkers alliance (QIBA) recommendations for improved precision of DWI and DCE‐MRI derived biomarkers in multicenter oncology trials
Notice bibliographique
Résumé
Physiological properties of tumors can be measured both in vivo and noninvasively by diffusion-weighted imaging and dynamic contrast-enhanced magnetic resonance imaging. Although these techniques have been used for more than two decades to study tumor diffusion, perfusion, and/or permeability, the methods and studies on how to reduce measurement error and bias in the derived imaging metrics is still lacking in the literature. This is of paramount importance because the objective is to translate these quantitative imaging biomarkers (QIBs) into clinical trials, and ultimately in clinical practice. Standardization of the image acquisition using appropriate phantoms is the first step from a technical performance standpoint. The next step is to assess whether the imaging metrics have clinical value and meet the requirements for being a QIB as defined by the Radiological Society of North America's Quantitative Imaging Biomarkers Alliance (QIBA). The goal and mission of QIBA and the National Cancer Institute Quantitative Imaging Network (QIN) initiatives are to provide technical performance standards (QIBA profiles) and QIN tools for producing reliable QIBs for use in the clinical imaging community. Some of QIBA's development of quantitative diffusion-weighted imaging and dynamic contrast-enhanced QIB profiles has been hampered by the lack of literature for repeatability and reproducibility of the derived QIBs. The available research on this topic is scant and is not in sync with improvements or upgrades in MRI technology over the years. This review focuses on the need for QIBs in oncology applications and emphasizes the importance of the assessment of their reproducibility and repeatability. Level of Evidence: 5 Technical Efficacy Stage: 1 J. Magn. Reson. Imaging 2019;49:e101-e121.
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 | 0,006 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| 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 | 0,001 |
| 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 ».