Radiomic response evaluation of recurrent or metastatic head and neck squamous cell cancer (R/M HNSCC) patients receiving pembrolizumab on KEYNOTE-012 study.
Notice bibliographique
Résumé
6545 Background: Immunotherapy has become a standard of care in the treatment of R/M HNSCC, however only a subset of patients respond, highlighting the need for predictive and prognostic biomarkers. Radiomics is a non-invasive method to quantitatively analyze tumors through conventional imaging. Methods: The pre-treatment and first-on-treatment (after 8 weeks) computed tomography (CT) scans from 132 R/M HNSCC patients treated with single-agent Pembrolizumab (10mg/kg Q2W or 200mg Q3W IV) on the KEYNOTE-012 study were analyzed. Identified target lesions, per RECIST 1.1, were manually contoured, and radiomic features from the tumor and peritumoral region (3 mm expansion of the tumor) were extracted using PyRadiomics. All combinations of image filters and feature classes, not including shape descriptors of peritumoral region, were extracted. Feature space dimensionality was reduced by clustering features (hierarchical clustering using Pearson-based distance and complete linkage) and selecting the medoid of each cluster. Correlation with lesion-level response (LLR) at first-on-treatment CT and overall response (OR) was evaluated using concordance index (CI) with Benjamini-Hochberg multiple testing correction. Results: A total of 406 lesions were included (45 head & neck (HN), 207 lung, 57 liver, 86 lymph nodes (LN), 11 other). 3562 features were extracted from pre-treatment scans (2246 tumor, 1316 peritumor). Considering all lesion sites collectively, 27 of 110 feature clusters were significantly correlated with LLR (false discovery rate (FDR) < 0.05) but not with best overall RECIST response per patient on study. However, when grouped by organ, a number of feature cluster medoids were significantly associated (FDR < 0.05) with LLR (HN: 1, lung: 28, liver: 8, LN: 1) and OR (liver: 18). Feature clusters predictive of LLR and OR included descriptors of both tumor-specific and tumor/peritumoral gray-level intensity and texture (e.g. 74% tumor and 26% peritumoral features in clusters significantly associated with OR in liver). Conclusions: Tumor and peritumoral radiomic features at baseline correlate with LLR and OR to immunotherapy in R/M HNSCC. Despite significant heterogeneity in lesion site, both global and site-specific significant feature clusters could be identified.
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 | 0,009 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 ».