FDG-PET/CT Radiomics Models for The Early Prediction of Locoregional Recurrence in Head and Neck Cancer
Notice bibliographique
Résumé
PURPOSE: Both CT and PET radiomics is considered as a potential prognostic biomarker in head and neck cancer. This study investigates the value of fused pre-treatment functional imaging (18F-FDG PET/CT) radiomics for modeling of local recurrence of head and neck cancers. MATERIALS AND METHODS: Firstly, 298 patients have been divided into a training set (n = 192) and verification set (n = 106). Secondly, PETs and CTs are fused based on wavelet transform. Thirdly, radiomics features are extracted from the 3D tumor area from PETCT fusion. The training set is used to select the features reduction and predict local recurrence, and the random forest prediction models combining radiomics and clinical variables are constructed. Finally, the ROC curve and KM analysis are used to evaluate the prediction efficiency of the model on the validation set. RESULTS: Two PET/CT fusion radiomics features and three clinic parameters are extracted to construct the radiomics model. AUC value in the verification set 0.70 is better than no fused sets 0.69. The accuracy of 0.66 is not the highest value (0.67). Either consistency index CI 0.70 (from 0.67 to 0.70) or the p-value 0.025 (from 0.03 to 0.025) get the best result in all four models. CONCLUSION: The radiomics model based on the fusion of PETCT is better than the model based on PET or CT alone in predicting local recurrence, the inclusion of clinical parameters may result in more accurate predictions, which has certain guiding significance for the development of personalized, precise treatment scheme.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».