Breast Cancer Treatment Response Monitoring Using Quantitative Ultrasound and Texture Analysis: Comparative Analysis of Analytical Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: The purpose of this study was to develop computational algorithms to best determine tumor responses early after the start of neoadjuvant chemotherapy, based on quantitative ultrasound (QUS) and textural analysis in patients with locally advanced breast cancer (LABC). METHODS: A total of 100 LABC patients treated with neoadjuvant chemotherapy were included in this study. Breast tumors were scanned with a clinical ultrasound system prior to treatment, during the first, fourth and eighth weeks of treatment, and prior to surgery. QUS parameters were calculated from ultrasound radio frequency data within tumor regions. Texture features were extracted from each QUS parametric map. Patients were classified into two groups based on identified clinical/pathological response: responders and non-responders. In order to differentiate treatment responders, three multi-feature response classification algorithms, namely a linear discriminant, a k-nearest-neighbor and a nonlinear support vector machine classifier were compared. RESULTS: All algorithms distinguished responders and non-responders with accuracies ranging between 68% and 92%. In particular, support vector machine performed the best in differentiating responders from non-responders with accuracies of 78%, 90% and 92% at weeks 1, 4 and 8 after the start of treatment, respectively. The most relevant features in separating the two response groups at early stages (weeks 1and 4) were texture features and at a later stage (week 8) were mean QUS parameters, particularly ultrasound backscatter intensity-based parameters. CONCLUSION: An early stage treatment response prediction model developed by quantitative ultrasound and texture analysis combined with modern computational methods permits offering effective alternatives to standard treatment for refractory patients.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 découle