Radiomics and Machine Learning in Anal Squamous Cell Carcinoma: A New Step for Personalized Medicine?
Notice bibliographique
Résumé
Anal squamous cell carcinoma (ASCC) is an uncommon yet rising cancer worldwide. Definitive chemo-radiation (CRT) remains the best curative treatment option for non-metastatic cases in terms of local control, recurrence-free and progression-free survival. Still, despite overall good results, with 80% five-year survival, a subgroup of ASCC patients displays a high level of locoregional and/or metastatic recurrence rates, up to 35%, and may benefit from a more aggressive strategy. Beyond initial staging, there is no reliable marker to predict recurrence following CRT. Imaging, mostly positron emission tomography-computed tomography (PET-CT) and magnetic resonance imaging (MRI), bears an important role in the diagnosis and follow-up of ASCC. The routine use of radiomics may enhance the quality of information derived from these modalities. It is thought that including data derived from radiomics into the input flow of machine learning algorithms may improve the prediction of recurrence. Although some studies have shown glimmers of hope, more data is needed before offering practitioners tools to identify high-risk patients and enable extensive clinical application, especially regarding the matters of imaging normalization, radiomics process standardization and access to larger patient databases with external validation in order to allow results extrapolation. The aim of this review is to present a critical overview from this data.
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) | 0,000 | 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 ».