MRI-Derived Radiomics to Guide Post-operative Management for High-Risk Prostate Cancer
Notice bibliographique
Résumé
Purpose: Prostatectomy is one of the main therapeutic options for prostate cancer (PCa). Studies proved the benefit of adjuvant radiotherapy (aRT) on clinical outcomes, with more toxicities when compared to salvage radiotherapy. A better assessment of the likelihood of biochemical recurrence (BCR) would rationalize performing aRT. Our goal was to assess the prognostic value of MRI-derived radiomics on BCR for PCa with high recurrence risk. Methods: We retrospectively selected patients with a high recurrence risk (T3a/b or T4 and/or R1 and/or Gleason score>7) and excluded patients with a post-operative PSA>0.04ng/mL or a lymph-node involvement. We extracted IBSI-compliant radiomic features (shape and first order intensity metrics, as well as second and third order textural features) from tumors delineated in T2 and ADC sequences. After random division (training and testing sets) and machine learning based feature reduction, an univariate and multivariate Cox regression analysis was performed to identify independent factors. Correlation with BCR was assessed using AUC and prediction of biochemical relapse free survival (bRFS) with a Kaplan-Meier analysis. Results: 107 patients were included. With a median follow-up of 52.0 months, 17 experienced BCR. In the training set, no clinical feature was correlated with BCR. One feature from ADC (SZEGLSZM) outperformed with an AUC of 0.79 and a HR 17.9 (p=0.0001). Lower values of SZEGLSZM are associated with more heterogeneous tumors. In the testing set, this feature remained predictive of BCR and bRFS (AUC 0.76, p=0.0236). Conclusion: One radiomic feature was predictive of BCR and bRFS after prostatectomy helping to guide post-operative management.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».