Quantitative ultrasound radiomics in predicting response to neoadjuvant chemotherapy in patients with locally advanced breast cancer: Results from multi‐institutional study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle