A clinical‐radiomic model for improved prognostication of surgical candidates with colorectal liver metastases
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Colorectal cancer with liver metastases is potentially curable with surgical resection however clinical prognostic factors can insufficiently stratify patients. This study aims to assess whether radiomic features are prognostic and can inform clinical decision making. METHODS: This single-site retrospective study included 102 patients who underwent colorectal liver metastases resection with preoperative computed tomography (CT), magnetic resonance imaging (MRI) with gadoxetic acid (EOB) and clinical covariates. A lasso-regularized multivariate Cox proportional hazards model was applied to 114 features (10 clinical, 104 radiomic) to determine association with disease-free survival (DFS). A prognostic index was derived using the significant Cox regression coefficients and their corresponding input features and a threshold was determined to classify patients into high- and low-risk groups, and DFS compared using log-rank tests. RESULTS: Four covariates were significantly associated with DFS; bilobar disease (hazard ratio [HR]= 1.56; P = .0043), complete pathological response (HR= 0.67; P = .025), minimum pixel value (HR= 1.66; P = .00016), and small area emphasis (HR= 0.62; P = .0013) from the EOB-MRI data. Radiomic CT features were not prognostic. The prognostic index strongly stratified high- and low-risk prognostic groups (HR = 0.31; P = .00068). CONCLUSION: Radiomic MRI features provided meaningful prognostic information above clinical covariates alone. This merits further validation for potential clinical implementation to inform 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 | 0,002 | 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 | 0,001 |
| 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 ».