Combining Multiple Magnetic Resonance Imaging Sequences Provides Independent Reproducible Radiomics Features
Notice bibliographique
Résumé
To evaluate the relative contribution of different Magnetic Resonance Imaging (MRI) sequences for the extraction of radiomics features in a cohort of patients with lacrimal gland tumors. This prospective study was approved by the Institutional Review Board and signed informed consent was obtained from all participants. From December 2015 to April 2017, 37 patients with lacrimal gland lesions underwent MRI before surgery, including axial T1-WI, axial Diffusion-WI, coronal DIXON-T2-WI and coronal post-contrast DIXON-T1-WI. Two readers manually delineated both lacrimal glands to assess inter-observer reproducibility, and one reader performed two successive delineations to assess intra-observer reproducibility. Radiomics features were extracted using an in-house software to calculate 85 features per region-of-interest (510 features/patient). Reproducible features were defined as features presenting both an intra-class correlation coefficient ≥0.8 and a concordance correlation coefficient ≥0.9 across combinations of the three delineations. Among these features, the ones yielding redundant information were identified as clusters using hierarchical clustering based on the Spearman correlation coefficient. All the MR sequences provided reproducible radiomics features (range 14(16%)-37(44%)) and non-redundant clusters (range 5-14). The highest numbers of features and clusters were provided by the water and in-phase DIXON T2-WI and water and in-phase post-contrast DIXON T1-WI (37, 26, 26 and 26 features and 14,12, 9 and 11 clusters, respectively). A total of 145 reproducible features grouped into 51 independent clusters was provided by pooling all the MR sequences. All MRI sequences provided reproducible radiomics features yielding independent information which could potentially serve as biomarkers.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».