Comparison of robust to standardized CT radiomics models to predict overall survival for non‐small cell lung cancer patients
Notice bibliographique
Résumé
Background Radiomics is a promising tool for the identification of new prognostic biomarkers. Radiomic features can be affected by different scanning protocols, often present in retrospective and prospective clinical data. We compared a computed tomography (CT) radiomics model based on a large but highly heterogeneous multicentric image dataset with robust feature pre‐selection to a model based on a smaller but standardized image dataset without pre‐selection. Materials and methods Primary tumor radiomics was extracted from pre‐treatment CTs of IIIA/N2/IIIB NSCLC patients from a prospective Swiss multicentric randomized trial (n patient = 124, n institution = 14, SAKK 16/00) and a validation dataset (n patient = 31, n institution = 1). Four robustness studies investigating inter‐observer delineation variation, motion, convolution kernel, and contrast were conducted to identify robust features using an intraclass correlation coefficient threshold >0.9. Two 12‐months overall survival (OS) logistic regression models were trained: (a) on the entire multicentric heterogeneous dataset but with robust feature pre‐selection (MCR) and (b) on a smaller standardized subset using all features (STD). Both models were validated on the validation dataset acquired with similar reconstruction parameters as the STD dataset. The model performances were compared using the DeLong test. Results In total, 113 stable features were identified (n shape = 8, n intensity = 0, n texture = 7, n wavelet = 98). The convolution kernel had the strongest influence on the feature robustness (<20% stable features). The final models of MCR and STD consisted of one and two features respectively. Both features of the STD model were identified as non‐robust. MCR did not show performance significantly different from STD on the validation cohort (AUC [95%CI] = 0.72 [0.48–0.95] and 0.79 [0.63–0.95], p = 0.59). Conclusion Prognostic OS CT radiomics model for NSCLC based on a heterogeneous multicentric imaging dataset with robust feature pre‐selection performed equally well as a model on a standardized dataset.
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 | 0,001 |
| 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 ».