Evaluation of automated computed tomography segmentation to assess body composition and mortality associations in cancer patients
Notice bibliographique
Résumé
Abstract Background Body composition from computed tomography (CT) scans is associated with cancer outcomes including surgical complications, chemotoxicity, and survival. Most studies manually segment CT scans, but Automatic Body composition Analyser using Computed tomography image Segmentation (ABACS) software automatically segments muscle and adipose tissues to speed analysis. Here, we externally evaluate ABACS in an independent dataset. Methods Among patients with non‐metastatic colorectal (n = 3102) and breast (n = 2888) cancer diagnosed from 2005 to 2013 at Kaiser Permanente, expert raters annotated tissue areas at the third lumbar vertebra (L3). To compare ABACS segmentation results to manual analysis, we quantified the proportion of pixel‐level image overlap using Jaccard scores and agreement between methods using intra‐class correlation coefficients for continuous tissue areas. We examined performance overall and among subgroups defined by patient and imaging characteristics. To compare the strength of the mortality associations obtained from ABACS's segmentations to manual analysis, we computed Cox proportional hazards ratios (HRs) and 95% confidence intervals (95% CI) by tertile of tissue area. Results Mean ± SD age was 63 ± 11 years for colorectal cancer patients and 56 ± 12 for breast cancer patients. There was strong agreement between manual and automatic segmentations overall and within subgroups of age, sex, body mass index, and cancer stage: average Jaccard scores and intra‐class correlation coefficients exceeded 90% for all tissues. ABACS underestimated muscle and visceral and subcutaneous adipose tissue areas by 1–2% versus manual analysis: mean differences were small at −2.35, −1.97 and −2.38 cm2, respectively. ABACS's performance was lowest for the <2% of patients who were underweight or had anatomic abnormalities. ABACS and manual analysis produced similar associations with mortality; comparing the lowest to highest tertile of skeletal muscle from ABACS versus manual analysis, the HRs were 1.23 (95% CI: 1.00–1.52) versus 1.38 (95% CI: 1.11–1.70) for colorectal cancer patients and 1.30 (95% CI: 1.01–1.66) versus 1.29 (95% CI: 1.00–1.65) for breast cancer patients. Conclusions In the first study to externally evaluate a commercially available software to assess body composition, automated segmentation of muscle and adipose tissues using ABACS was similar to manual analysis and associated with mortality after non‐metastatic cancer. Automated methods will accelerate body composition research and, eventually, facilitate integration of body composition measures into clinical care.
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 | 0,007 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».