Quantitative ultrasound radiomics in predicting response to neoadjuvant chemotherapy in patients with locally advanced breast cancer: Results from multi‐institutional study
Notice bibliographique
Résumé
BACKGROUND: This study was conducted in order to develop a model for predicting response to neoadjuvant chemotherapy (NAC) in patients with locally advanced breast cancer (LABC) using pretreatment quantitative ultrasound (QUS) radiomics. METHODS: This was a multicenter study involving four sites across North America, and appropriate approval was obtained from the individual ethics committees. Eighty-two patients with LABC were included for final analysis. Primary tumors were scanned using a clinical ultrasound system before NAC was started. The tumors were contoured, and radiofrequency data were acquired and processed from whole tumor regions of interest. QUS spectral parameters were derived from the normalized power spectrum, and texture analysis was performed based on six QUS features using a gray level co-occurrence matrix. Patients were divided into responder or nonresponder classes based on their clinical-pathological response. Classification analysis was performed using machine learning algorithms, which were trained to optimize classification accuracy. Cross-validation was performed using a leave-one-out cross-validation method. RESULTS: Based on the clinical outcomes of NAC treatment, there were 48 responders and 34 nonresponders. A K-nearest neighbors (K-NN) approach resulted in the best classifier performance, with a sensitivity of 91%, a specificity of 83%, and an accuracy of 87%. CONCLUSION: QUS-based radiomics can predict response to NAC based on pretreatment features with acceptable accuracy.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».