Magnetic Resonance Imaging Texture Analysis Predicts Recurrence in Patients with Nasopharyngeal Carcinoma
Notice bibliographique
Résumé
BACKGROUND: The personalization of oncologic treatment using radiomic signatures is mounting in nasopharyngeal carcinoma (NPC). We ascertain the predictive ability of 3D volumetric magnetic resonance imaging (MRI) texture features on NPC disease recurrence. METHODS: A retrospective study of 58 patients with NPC undergoing primary curative-intent treatment was performed. Forty-two image texture features were extracted from pre-treatment MRI in addition to clinical factors. A multivariate logistic regression was used to model the texture features. A receiver operating characteristic curve on 100 bootstrap samples was used to maximize generalizability to out-of-sample data. A Cox proportional model was used to predict disease recurrence in the final model. RESULTS: A total of 58 patients were included in the study. MRI texture features predicted disease recurrence with an area under the curve (AUC), sensitivity, and specificity of 0.79, 0.73, and 0.71, respectively. Loco-regional recurrence was predicted with AUC, sensitivity, and specificity of 0.82, 0.73 and 0.74 respectively while prediction for distant metastasis had an AUC, sensitivity, and specificity of 0.92, 0.79 and 0.84, respectively. Texture features on MRI had a hazard ratio of 4.37 (95% confidence interval 1.72-20.2) for disease recurrence when adjusting for age, sex, smoking, and TNM staging. CONCLUSION: Texture features on MRI are independent predictors of NPC recurrence in patients undergoing curative-intent treatment.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 ».