The impact of the variation of imaging factors on the robustness of Computed Tomography Radiomic Features: A review
Notice bibliographique
Résumé
ABSTRACT The field of radiomics is at the forefront of personalized medicine. However, there are concerns regarding the robustness of its features against multiple medical imaging parameters and the performance of the predictive models built upon them. Therefore, our review aims to identify image perturbation factors (IPF) that most influence the robustness of radiomic features in biomedical research. We also provide insights into the validity and discrepancy of different methodologies applied to investigate the robustness of radiomic features. We selected 527 papers based on the primary criterion that the papers had imaging parameters that affected the reproducibility of radiomic features extracted from computed tomography (CT) images. We compared the reported performance of these parameters along with IPF in the eligible studies. We then proceeded to divide our studies into three groups based on the type of their IPF: ( i ) scanner parameters, ( ii ) acquisition parameters and ( iii ) reconstruction parameters. Our review highlighted that the reconstruction algorithm was the most reproducible factor and shape along with intensity histogram (IH) were the most robust radiomic features against variation in imaging parameters. This review identified substantial inconsistencies related to the methodology and the reporting style of the reviewed studies such as type of study performed, the metrics used for robustness, the feature extraction techniques, the image perturbation factors, the reporting style and their outcome inclusion. Finally, we hope the IPFs and the methodology inconsistencies identified will aid the scientific community in conducting research in a way that is more reproducible and avoids the pitfalls of previous analyses.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».