Radiogenomic Models Using Machine Learning Techniques to Predict EGFR Mutations in Non-Small Cell Lung Cancer
Notice bibliographique
Résumé
Background: The purpose of this study was to build radiogenomics models from texture signatures derived from computed tomography (CT) and 18 F-FDG PET-CT (FDG PET-CT) images of non-small cell lung cancer (NSCLC) with and without epidermal growth factor receptor ( EGFR) mutations. Methods: Fifty patients diagnosed with NSCLC between 2011 and 2015 and with known EGFR mutation status were retrospectively identified. Texture features extracted from pretreatment CT and FDG PET-CT images by manual contouring of the primary tumor were used to develop multivariate logistic regression (LR) models to predict EGFR mutations in exon 19 and exon 20. Results: An LR model evaluating FDG PET-texture features was able to differentiate EGFR mutant from wild type with an area under the curve (AUC), sensitivity, specificity, and accuracy of 0.87, 0.76, 0.66, and 0.71, respectively. The model derived from CT texture features had an AUC, sensitivity, specificity, and accuracy of 0.83, 0.84, 0.73, and 0.78, respectively. FDG PET-texture features that could discriminate between mutations in EGFR exon 19 and 21 demonstrated AUC, sensitivity, specificity, and accuracy of 0.86, 0.84, 0.73, and 0.78, respectively. Based on CT texture features, the AUC, sensitivity, specificity, and accuracy were 0.75, 0.81, 0.69, and 0.75, respectively. Conclusion: Non-small cell lung cancer texture analysis using FGD-PET and CT images can identify tumors with mutations in EGFR. Imaging signatures could be valuable for pretreatment assessment and prognosis in precision therapy.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».